模糊的标注：行人何时不是行人？
计算机视觉与模式识别
2024-05-15 v1
摘要
由人工标注员标注的数据集被广泛用于机器学习模型的训练和测试。近年来，研究人员越来越关注标签质量。然而，并不总是能够客观地判定所分配的标签是否正确。本研究将自动驾驶数据集中标注的这种模糊性作为数据质量的一个重要维度进行考察。我们的实验表明，从训练中排除高度模糊的数据，可以提升最先进行人检测器在 LAMR、精确率和 F1 分数方面的模型性能，从而节省训练时间和标注成本。此外，我们证明，为了安全地移除模糊实例并确保训练数据保持代表性，理解所研究数据集和类别的属性至关重要。
引用
@article{arxiv.2405.08794,
title = {Ambiguous Annotations: When is a Pedestrian not a Pedestrian?},
author = {Luisa Schwirten and Jannes Scholz and Daniel Kondermann and Janis Keuper},
journal= {arXiv preprint arXiv:2405.08794},
year = {2024}
}
备注
Paper accepted at the CVPR 2024 Vision and Language for Autonomous Driving and Robotics Workshop