模型约束下用于目标检测的置信学习
计算机视觉与模式识别
2026-01-21 v1
摘要
边缘设备上的农业杂草检测受到模型容量、计算资源和实时推理延迟的严格约束，这使得无法通过模型缩放或集成来提升性能。本文提出了模型驱动数据纠正，这是一个以数据为中心的框架，通过迭代诊断和纠正数据质量缺陷来增强检测性能。自动化错误分析流程将检测失败分为四类：假阴性、假阳性、类别混淆和定位误差。这些错误模式通过带有版本控制数据管理的结构化“训练-修复-重训练”流水线得到系统性解决。在多个杂草检测数据集上的实验结果表明，使用固定的轻量级检测器（YOLOv8n），mAP at 0.5 取得了 5-25 percent 的一致提升，这表明在固定模型容量约束下，系统的数据质量优化能够有效缓解性能瓶颈。
引用
@article{arxiv.2601.11640,
title = {Confident Learning for Object Detection under Model Constraints},
author = {Yingda Yu and Jiaqi Xuan and Shuhui Shi and Xuanyu Teng and Shuyang Xu and Guanchao Tong},
journal= {arXiv preprint arXiv:2601.11640},
year = {2026}
}
备注
Submitted to ICPR 2026, currently under review