論文の概要: Object Detection Benchmarks are Incomplete: The Role of Label Errors and Annotation Uncertainty

• arxiv url: http://arxiv.org/abs/2609.21822v1
• Date: Fri, 18 Sep 2026 14:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.147422
• Title: Object Detection Benchmarks are Incomplete: The Role of Label Errors and Annotation Uncertainty
• Title（参考訳）: オブジェクト検出ベンチマークは不完全:ラベルエラーとアノテーションの不確かさの役割
• Abstract要約: 再アノテーションは4つの広く使用されているデータセットにまたがるアノテートオブジェクトの大幅な増加を示す。 i)不確実性を認識したオブジェクト検出ベンチマーク,(ii)ラベルエラー検出ベンチマークの2つの大規模ベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 4.156767160239013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While object detection has advanced through improved architectures and open-vocabulary models, we provide strong evidence that benchmark quality is limited by annotation incompleteness. Across four widely used datasets (COCO, Pascal VOC, Cityscapes, KITTI), re-annotation reveals substantial increases in annotated objects (e.g., up to +60% on KITTI and +40% on COCO), driven primarily by previously unlabeled small, occluded, or densely packed instances. While some differences arise from dataset-specific annotation conventions, we consistently find that missing annotations are the main source of label errors across all datasets. To achieve high data quality, we introduce a scalable annotation pipeline that emphasizes high recall and captures ambiguity through soft labels aggregated from at least 11 annotators per object. The resulting annotations improve coverage and align well with human calibration. We show that benchmark performance is highly sensitive to annotation quality, although model rankings remain largely stable. We introduce two large-scale benchmarks: (i) an uncertainty-aware object detection benchmark, and (ii) a label error detection benchmark grounded in real label errors. We show that current detectors are strongly depended on annotation quality and are misaligned with human perception. Current label error detection methods, which have been shown to perform well on synthetic noise, struggle to achieve high recall and precision on real label errors. Our results highlight the need for future object detection benchmarks to move beyond deterministic annotations toward high-recall, uncertainty-aware evaluation that maximizes valid instances and better reflects real-world ambiguity.
• Abstract（参考訳）: オブジェクト検出は改良されたアーキテクチャとオープンボキャブラリモデルを通じて進んでいるが、アノテーションの不完全性によってベンチマークの品質が制限されているという強い証拠を提供する。 4つの広く使われているデータセット(COCO、Pascal VOC、Cityscapes、KITTI)にまたがって、アノテーション付きオブジェクト(例えば、KITTIでは+60%、COCOでは+40%)が大幅に増加し、主にラベル付けされていない、隠蔽された、あるいは密に満ちたインスタンスによって駆動される。 データセット固有のアノテーション規約にはいくつかの違いがありますが、欠落したアノテーションがすべてのデータセットにまたがるラベルエラーの主な原因であることに一貫して気付きます。 高いデータ品質を達成するために、我々は高リコールを強調し、オブジェクトあたりの少なくとも11のアノテータから集約されたソフトラベルを通してあいまいさをキャプチャするスケーラブルなアノテーションパイプラインを導入しました。 結果として得られたアノテーションはカバレッジを改善し、人間のキャリブレーションとうまく一致します。 ベンチマークのパフォーマンスはアノテーションの品質に非常に敏感であることを示すが、モデルランキングはほぼ安定している。 大規模なベンチマークを2つ導入する。 (i)不確実性を認識したオブジェクト検出ベンチマーク、及び (II)ラベルエラー検出ベンチマークは,実ラベルエラーに基礎を置いている。 現在の検出器はアノテーションの品質に強く依存しており、人間の知覚と不一致であることを示す。 現在のラベル誤り検出法は, 合成雑音に対して良好な性能を示すことが示されており, 実ラベル誤りに対する高いリコールと精度の達成に苦慮している。 我々の結果は、オブジェクト検出ベンチマークが、決定論的アノテーションを超えて、有効なインスタンスを最大化し、現実の曖昧さをよりよく反映する、ハイリコールで不確実性を意識した評価へと移行する必要性を強調している。

関連論文リスト

• From Label Error Detection to Correction: A Modular Framework and Benchmark for Object Detection Datasets [4.864032555684836]
  ラベルエラー訂正のための半自動フレームワークREC$checkmark$D(リチェック)を導入する。 現在のラベル誤り検出手法は,修正フレームワークと組み合わせることで,人間がアノテートボックスをスクラッチからアノテートするのに要する時間に数百のエラーを回復できることを示す。 この検証されたセットは、ラベルエラーの検出と修正のための新しい実世界のベンチマークとしてリリースされる。
  論文  参考訳（メタデータ） (2025-08-06T10:03:05Z)
• 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)
• Label Convergence: Defining an Upper Performance Bound in Object Recognition through Contradictory Annotations [0.0]
  矛盾するテストアノテーションの制約の下で達成可能な最高性能を記述するために,「ラベル収束」の概念を導入する。 ラベル収束は LVIS の場合 62.63-67.52 mAP@[0.5:0.95:0.05] であり、95% の信頼度を持つ。 LVISデータセットのラベル収束間隔の上端にある現在の最先端(SOTA)モデルでは、モデルキャパシティが現在のオブジェクト検出問題を解決するのに十分である、と結論付けている。
  論文  参考訳（メタデータ） (2024-09-14T10:59:25Z)
• Identifying Label Errors in Object Detection Datasets by Loss Inspection [4.442111891959355]
  本稿では,オブジェクト検出データセットにおけるラベル誤り検出手法のベンチマークを紹介する。 そこで本研究では,軌道上でランダムに導入した4種類のラベルエラーと,良好なラベル付きオブジェクト検出データセットの試験セットをシミュレートする。
  論文  参考訳（メタデータ） (2023-03-13T10:54:52Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Omni-DETR: Omni-Supervised Object Detection with Transformers [165.4190908259015]
  我々は、ラベルなし、完全ラベル付き、弱ラベル付きアノテーションを使用できるOmni教師付きオブジェクト検出の問題を考察する。 この統一アーキテクチャの下では、異なる種類の弱いラベルを利用して正確な擬似ラベルを生成することができる。 弱いアノテーションは検出性能を向上させるのに役立ち、それらの混合はアノテーションのコストと精度のトレードオフを改善することができる。
  論文  参考訳（メタデータ） (2022-03-30T06:36:09Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。