論文の概要: Quantifying Annotation Agreement in Object Detection with Optimal Transport

• arxiv url: http://arxiv.org/abs/2610.19912v1
• Date: Wed, 14 Oct 2026 10:04:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.083154
• Title: Quantifying Annotation Agreement in Object Detection with Optimal Transport
• Title（参考訳）: 最適輸送を用いた物体検出におけるアノテーション一致の定量化
• Abstract要約: 本稿では,オブジェクト検出アノテーション間の一致を測定するための最適輸送基準について検討する。 境界ボックスの重複をバイナライズする代わりに、このメトリクスは、一致したラベル付きボックスと未一致のラベル付きボックスにグレードされたコストを割り当てる。 この結果から,OTはオブジェクト検出において,特に多数の小またはあいまいなオブジェクトを持つドメインに対して,よりリッチなアノテーション合意を提供することが示された。
• 参考スコア（独自算出の注目度）: 46.07145155913717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable validation of machine learning models is a crucial step in designing robust and trustworthy systems. Yet validation relies on annotated test sets treated as ground truth, even though annotations can be noisy or ambiguous. In object detection, sources may disagree on object presence, box location, or class label. Standard agreement metrics usually binarize box overlap before computing a summary score, obscuring the degree and structure of disagreement between annotation sets. Here, we study an Optimal Transport (OT)-based metric for measuring agreement between object detection annotations. Instead of binarizing bounding box overlap, this metric assigns graded costs to matched and unmatched labeled boxes. Through theoretical analysis and experiments on real and synthetically perturbed annotations, we show that OT captures graded changes in agreement and distinguishes annotation pairs that thresholded metrics score identically. Our results suggest that OT provides a richer measure of annotation agreement in object detection, especially for domains with many small or ambiguous objects. Such agreement estimates can support more reliable validation when labels are noisy or conflicting.
• Abstract（参考訳）: マシンラーニングモデルの信頼性検証は、堅牢で信頼性の高いシステムを設計するための重要なステップである。 しかし、アノテートされたテストセットは、アノテーションがうるさく、曖昧であるとしても、基礎的真理として扱われる。 オブジェクト検出では、ソースはオブジェクトの存在、ボックス位置、クラスラベルに異を唱えることがある。 標準合意基準は通常、要約スコアを計算する前にボックスオーバーラップを二項化し、アノテーションセット間の不一致の度合いと構造を無視する。 本稿では,オブジェクト検出アノテーション間の一致度を測定するためのOT(Optimal Transport)に基づくメトリクスについて検討する。 境界ボックスの重複をバイナライズする代わりに、このメトリクスは、一致したラベル付きボックスと未一致のラベル付きボックスにグレードされたコストを割り当てる。 実および合成的摂動アノテーションに関する理論的解析と実験により、OTは一致の段階的変化を捉え、基準値が同じであるアノテーションペアを区別することを示した。 この結果から,OTはオブジェクト検出において,特に多数の小またはあいまいなオブジェクトを持つドメインに対して,よりリッチなアノテーション合意を提供することが示された。 このような合意の見積もりは、ラベルがうるさい場合や矛盾する場合、より信頼性の高い検証をサポートすることができる。

関連論文リスト

• Data Annotation as Measurement [5.058544031889297]
  データアノテーションは測定問題として理解されるべきである。 他の測定方法と同様に、アノテーションは概念を定義し、測定器を通してそれを運用し、その結果の信頼性と妥当性を評価する必要がある。
  論文  参考訳（メタデータ） (2026-08-07T14:51:27Z)
• Bounding Box Label Propagation for Re-Annotation of Document Layout Analysis Datasets [49.345169562968415]
  BBLP(Bounding Box Label Propagation)は、オブジェクト検出のための擬似ラベリングフレームワークである。 境界ボックスの高品質なクラスアノテーションを生成する。 完全な教師付きパフォーマンスの81.6%に相当する54.0%のmAPを達成し、10%のラベル付きデータしか使用していない。
  論文  参考訳（メタデータ） (2026-06-16T08:04:27Z)
• Subjective Logic Encodings [20.458601113219697]
  データパースペクティビズムは、アノテーション間の不一致を利用してモデルを学習しようとする。 主観論理SLEはアノテーションをアノテータの意見として明示的にエンコードする分類対象を構築するためのフレームワークである。
  論文  参考訳（メタデータ） (2025-02-17T15:14:10Z)
• Drawing the Same Bounding Box Twice? Coping Noisy Annotations in Object Detection with Repeated Labels [6.872072177648135]
  そこで本研究では,基礎的真理推定手法に適合する新しい局所化アルゴリズムを提案する。 また,本アルゴリズムは,TexBiGデータセット上でのトレーニングにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-18T13:08:44Z)
• 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)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)

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。