論文の概要: ReLEAP: Upcycling Vision Datasets through Cross-Task Unification and Semi-Supervised Annotation

• arxiv url: http://arxiv.org/abs/2610.32289v1
• Date: Fri, 23 Oct 2026 07:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.424598
• Title: ReLEAP: Upcycling Vision Datasets through Cross-Task Unification and Semi-Supervised Annotation
• Title（参考訳）: ReLEAP: クロスタスク統一とセミスーパービジョンアノテーションによるビジョンデータセットの更新
• Abstract要約: 異種画像データセットを統合するためのスケーラブルなPythonフレームワークであるReLEAPを紹介する。 我々は,15種類の多様なデータセットを統合することにより,精密農業への適用性を実証した。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Developing robust vision models requires large amounts of annotated data, especially for tasks involving fine-grained class distinctions under variable environmental conditions. Even in domains with numerous existing datasets, differences in annotation formats, label definitions and targeted learning tasks hinder data reuse and integration. To address this challenge, we introduce ReLEAP, a scalable Python framework for unifying heterogeneous image datasets through data-source abstraction, systematic reuse of annotations across learning tasks, and mapping of labels to a shared hierarchical taxonomy. We demonstrate its applicability in precision agriculture by integrating fifteen diverse datasets covering a broad range of plant species and annotation types. Beyond unification, ReLEAP enables systematic recycling of existing data and provides a robust foundation for learning-based annotation upcycling. Leveraging this foundation, we conduct extensive cross-dataset and fine-tuning experiments to investigate how domain-specific models trained on unified data and foundation models can be used to automatically generate higher-level annotations under unsupervised, weakly supervised and semi-supervised settings, and how dataset characteristics influence their effectiveness. Our results show that unified data access and annotation upcycling substantially expand the pool of reusable training data and annotations while improving data transparency, enabling more sustainable and resource-efficient use of existing datasets. We release the framework and trained models for academic use to support accessible and collaborative research, particularly in data-scarce and heterogeneous domains.
• Abstract（参考訳）: 堅牢な視覚モデルの構築には大量の注釈付きデータが必要である。 多くの既存のデータセットを持つドメインであっても、アノテーションフォーマット、ラベル定義、ターゲットとする学習タスクの違いは、データの再利用と統合を妨げる。 この課題に対処するために、データソース抽象化による異種画像データセットの統合、学習タスク間のアノテーションの体系的再利用、ラベルを共有階層的な分類にマッピングする、スケーラブルなPythonフレームワークであるReLEAPを紹介した。 植物の種類やアノテーションの種類を網羅した15種類の多様なデータセットを統合することで,精密農業への適用性を実証した。 統一以外にも、ReLEAPは既存のデータの体系的なリサイクルを可能にし、学習ベースのアノテーションアップサイクルのための堅牢な基盤を提供する。 この基盤を活用することで、統合されたデータと基礎モデルに基づいて訓練されたドメイン固有モデルを用いて、教師なし、弱教師付き、半教師付き設定の下で高レベルのアノテーションを自動的に生成し、データセット特性がそれらの効果にどのように影響するかを、広範囲にわたるクロスデータセットおよび微調整実験を行う。 その結果、統一されたデータアクセスとアノテーションのライフサイクルは、データ透明性を改善しつつ、再利用可能なトレーニングデータとアノテーションのプールを大幅に拡大し、既存のデータセットをより持続的でリソース効率の良い利用を可能にした。 我々は、特にデータスカースおよび異種領域において、アクセス可能で協調的な研究を支援するために、学術利用のためのフレームワークと訓練されたモデルをリリースする。

関連論文リスト

• AI for Monitoring and Classifying Data Used in Research Literature [0.0]
  研究文献におけるデータセットの使用状況を監視するための同等のインフラストラクチャは存在しない。 従来のNLPアプローチはこれらの課題に対処する。 本稿では,データセット参照抽出,関係識別,利用コンテキスト分類を共同で行うマルチタスクGLiNERベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-28T21:18:30Z)
• Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
  学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす 本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-12T06:24:07Z)
• GlobalWasteData: A Large-Scale, Integrated Dataset for Robust Waste Classification and Environmental Monitoring [5.4998857381465465]
  GWD(GlobalWasteData)アーカイブは,14のカテゴリにまたがる89,807イメージの大規模データセットである。 このGWDアーカイブは、一貫性のあるラベル付け、ドメインの多様性の改善、よりバランスの取れたクラス表現を提供する。 全体として、このデータセットは、環境モニタリング、リサイクル自動化、廃棄物の識別において、機械学習(ML)アプリケーションのための強力な基盤を提供する。
  論文  参考訳（メタデータ） (2026-02-07T09:36:39Z)
• Foundation X: Integrating Classification, Localization, and Segmentation through Lock-Release Pretraining Strategy for Chest X-ray Analysis [3.874753046352665]
  nFoundation Xは、さまざまな専門家レベルのアノテーションを使用して基礎モデルをトレーニングするエンドツーエンドフレームワークである。 11個の胸部X線データセットを用いてモデルを訓練し、分類、局所化、セグメンテーションタスクのアノテーションをカバーした。 実験結果から,ファウンデーションXは広範囲なアノテーション利用によって顕著な性能向上を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T21:45:13Z)
• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。