論文の概要: Open-Vocabulary Models and Label Propagation for Uncertainty-aware Pseudo-Labeling of Object Detection Datasets

• arxiv url: http://arxiv.org/abs/2610.29788v1
• Date: Wed, 21 Oct 2026 14:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.254634
• Title: Open-Vocabulary Models and Label Propagation for Uncertainty-aware Pseudo-Labeling of Object Detection Datasets
• Title（参考訳）: 物体検出データセットの不確実性を考慮した擬似ラベル作成のための開語彙モデルとラベル伝播
• Abstract要約: 本稿では,オブジェクト検出データセットの不確実性を考慮したアノテーションのための半教師付きフレームワークを提案する。 提案手法はオープン語彙オブジェクト検出器を利用して,領域の提案と意味論的に意味のあるオブジェクト表現を生成する。 半自動アノテートデータに基づいてトレーニングされた検出器は、完全手動アノテートデータでトレーニングされたモデルに匹敵する性能を示す。
• 参考スコア（独自算出の注目度）: 4.65812324892521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection models rely on large-scale annotated datasets that require substantial manual annotation effort. The labeling costs further increase when annotation uncertainty is captured through soft labels, as multiple annotations must be collected for each object. We address this challenge by introducing a semi-supervised framework for the uncertainty-aware annotation of object detection datasets. Our approach leverages open-vocabulary object detectors to generate region proposals and semantically meaningful object representations. Based on these representations, we construct an object-level similarity graph and propagate probabilistic label information. Our framework assigns soft labels to previously unlabeled objects, quantifying both aleatoric and epistemic uncertainty. We evaluate our method on four object detection benchmarks with soft-label annotations and demonstrate that high-quality annotations can be obtained with only a small fraction of manually labeled objects. Furthermore, we show that detectors trained on semi-automatically annotated data achieve performance comparable to models trained on fully manually annotated data. We achieve state-of-the-art downstream detection performance for the task of semi-supervised object detection on the COCO dataset, with 40.5% AP virtually matching the performance of the model trained on fully manually constructed data (40.9%) at only 1% of labeling costs. These results highlight the potential of open-vocabulary models and graph-based label propagation for efficient, accurate and uncertainty-aware pseudo-labeling.
• Abstract（参考訳）: オブジェクト検出モデルは、手作業による大規模なアノテーション付きデータセットに依存している。 各オブジェクトに対して複数のアノテーションを収集する必要があるため、アノテーションの不確実性がソフトラベルを通じて取得されると、ラベルのコストはさらに増加する。 我々は、オブジェクト検出データセットの不確実性を認識するアノテーションのための半教師付きフレームワークを導入することで、この問題に対処する。 提案手法はオープン語彙オブジェクト検出器を利用して,領域の提案と意味論的に意味のあるオブジェクト表現を生成する。 これらの表現に基づいて,オブジェクトレベルの類似性グラフを構築し,確率ラベル情報を伝搬する。 筆者らのフレームワークは,未ラベルオブジェクトにソフトラベルを割り当て,アレータリックおよびエピステマティックな不確実性の両方を定量化する。 本手法は,ソフトラベルアノテーションを用いた4つのオブジェクト検出ベンチマークを用いて評価し,手動でラベル付けしたオブジェクトのごく一部で高品質なアノテーションが得られることを示す。 さらに,セミオートマチックなアノテートデータに基づいてトレーニングした検出器が,完全手動アノテートデータでトレーニングしたモデルに匹敵する性能を発揮することを示す。 我々は,COCOデータセット上での半教師付きオブジェクト検出のタスクに対する最先端の下流検出性能を実現し,40.5% APは,完全に手作業で構築されたデータ(40.9%)でトレーニングされたモデルの性能を,わずか1%のラベリングコストで実質的に一致させる。 これらの結果から,オープン語彙モデルやグラフに基づくラベル伝搬が,効率,正確,不確実性に配慮した擬似ラベル作成に有効である可能性が示唆された。

関連論文リスト

• Object Detection Benchmarks are Incomplete: The Role of Label Errors and Annotation Uncertainty [4.156767160239013]
  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。
  論文  参考訳（メタデータ） (2026-09-18T14:25:32Z)
• 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)
• Probabilistic Label Spreading: Efficient and Consistent Estimation of Soft Labels with Epistemic Uncertainty on Graphs [4.480864309234644]
  本稿では,ラベルの不確かさを推定する確率的ラベル拡散手法を提案する。 データポイントあたりのアノテーションの数が0に収束しても、ラベルの拡散が一貫した確率推定器が得られることを示す。 実験結果から,本手法はベースラインと比較して,所望のラベル品質を実現するために必要なアノテーション予算を大幅に削減することが示された。
  論文  参考訳（メタデータ） (2026-02-04T14:00:30Z)
• 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)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• 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)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。