論文の概要: Analyzing Training-Free Corruption Detection for Object Detection Datasets

• arxiv url: http://arxiv.org/abs/2606.10666v1
• Date: Tue, 09 Jun 2026 10:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.440244
• Title: Analyzing Training-Free Corruption Detection for Object Detection Datasets
• Title（参考訳）: 物体検出データセットの学習自由破壊検出の解析
• Authors: Christian Sieberichs, Simon Geerkens, Thomas Waschulzik, Viswanathan Ramesh, Alexander Braun,
• Abstract要約: オブジェクト検出データセットにおけるアノテーションエラー検出のための特徴空間に基づくアプローチの適用性について分析する。 このような手法は意味的ミスラベルを確実に公開するが、位置誤差は検出し難い。
• 参考スコア（独自算出の注目度）: 38.81744741217717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Annotation errors are widespread in computer vision datasets and can significantly degrade the performance of systems trained on them, particularly in complex tasks such as object detection. Several approaches exist to identify annotation errors, including training-free feature-space methods which provide a fast and interpretable way to analyze annotations. However, the behavior on object detection annotations, which include semantic and spatial information, remains largely unexplored. In this work we analyze the applicability of feature-space-based approaches for detecting annotation errors in object detection datasets. By adapting an existing feature-space method, we show that such approaches reliably expose semantic mislabel, while positional errors remain difficult to detect. We evaluate this behavior across multiple pretrained embedding models, synthetic noise types (symmetric, asymmetric, and positional), and real-world annotation errors using VOC2012 and KITTI. All code and real-world corruptions are publicly available at the following repository: https://github.com/ ChristianSieberichs/BoundingBox\_corruption\_detection
• Abstract（参考訳）: アノテーションエラーはコンピュータビジョンデータセットに広まっており、特にオブジェクト検出のような複雑なタスクにおいて、トレーニングされたシステムの性能を著しく低下させることができる。 アノテーションを高速かつ解釈可能な方法で分析する、トレーニング不要な機能空間メソッドなど、アノテーションエラーを特定するためのいくつかのアプローチが存在する。 しかし、意味情報や空間情報を含むオブジェクト検出アノテーションの挙動はほとんど解明されていない。 本研究では,オブジェクト検出データセットにおけるアノテーションエラー検出のための特徴空間に基づくアプローチの適用性について分析する。 既存の特徴空間法を適用することで,そのような手法が意味的ミスラベルを確実に公開する一方で,位置誤差の検出が困難であることを示す。 複数の事前学習された埋め込みモデル、合成ノイズタイプ(対称、非対称、位置)、実世界のアノテーションエラーをVOC2012とKITTIを用いて評価する。 https://github.com/ ChristianSieberichs/BoundingBox\_corruption\_detection.com/

関連論文リスト

• Enhancing Egocentric Object Detection in Static Environments using Graph-based Spatial Anomaly Detection and Correction [0.0]
  本稿では,物体間の空間的関係を明示的にモデル化し,自己中心型フレームにおける異常検出を補正するグラフベースの後処理パイプラインを提案する。 手動でアノテートされたデータに基づいてトレーニングされたグラフニューラルネットワーク(GNN)を用いて、無効なオブジェクトクラスラベルを特定し、近隣のコンテキストに基づいて修正されたクラスラベルを予測する。 実験では、この空間推論を組み込むことで検出性能が大幅に向上し、mAP@50は最大4%向上した。
  論文  参考訳（メタデータ） (2025-08-11T05:08:02Z)
• S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection [55.34086214300803]
  部分的なインスタンスのみをラベル付けするSAOOD(sparsely annotated object detection)という新しい設定を導入する。 具体的には,(1)前景表現に過度に適合するスパースラベリング,(2)未ラベルオブジェクト(偽陰性)が特徴学習を混乱させる,という2つの課題に焦点をあてる。 そこで本稿では,S$2$Teacherを提案する。S$2$Teacherは,非ラベルオブジェクトの擬似ラベルを,手軽から硬まで段階的にマイニングし,前景表現を強化する手法である。
  論文  参考訳（メタデータ） (2025-04-15T11:57:00Z)
• Automatic Image Annotation for Mapped Features Detection [6.300346102366891]
  道路機能は、自動運転とローカライゼーションの鍵となる。 現代のディープラーニングに基づく知覚システムは、大量の注釈付きデータを必要とする。 本稿では,画像中の3つの自動アノテーション手法の融合について考察する。
  論文  参考訳（メタデータ） (2024-12-11T09:06:52Z)
• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• Combating noisy labels in object detection datasets [0.0]
  本稿では,オブジェクト検出データセットにおける各ラベルの品質を評価するためのCLODアルゴリズムを提案する。 欠落した、突発的で、ラベルが間違えた、そして誤配置されたバウンディングボックスを特定し、修正を提案する。 提案手法は, 擬陽性率0.1未満の人工乱れ箱の80%近くを指摘できる。
  論文  参考訳（メタデータ） (2022-11-25T10:05:06Z)
• Robust Object Detection in Remote Sensing Imagery with Noisy and Sparse Geo-Annotations (Full Version) [4.493174773769076]
  本稿では,非常にノイズの多い,不完全なアノテーションを用いたオブジェクト検出器のトレーニング手法を提案する。 本手法は,教師による学習フレームワークと,不正確で欠落したアノテーションを考慮した修正モジュールに基づく。 我々は,雑音の多い実世界のリモートセンシングデータセット上で,標準検出器を37.1%$AP_50$で改善できることを実証した。
  論文  参考訳（メタデータ） (2022-10-24T07:25:31Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Effect of Annotation Errors on Drone Detection with YOLOv3 [14.519138724931446]
  本研究では,物体検出問題に対する異なる種類のアノテーション誤差をシミュレートし,一般的な最先端物体検出装置であるYOLOv3の性能について検討する。 CVPR-2020 Anti-UAV Challengeデータセットにおける必然的アノテーションエラーについても,この方法で検討した。
  論文  参考訳（メタデータ） (2020-04-02T15:06:14Z)
• Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
  本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。 提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
  論文  参考訳（メタデータ） (2020-02-11T20:49:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。