FMG-Det: 基础模型引导的鲁棒目标检测
计算机视觉与模式识别
2025-05-30 v1
摘要
由于标注物体边界时固有的主观性，为目标检测任务收集高质量数据具有挑战性。这不仅使得在整个数据集中收集一致的标注变得困难，也使得验证它们变得困难，因为没有任何两个标注员可能会使用完全相同的坐标来标注同一个物体。当物体边界部分可见或模糊时（这在许多领域中都有可能发生），这些挑战会进一步加剧。在噪声标注上进行训练会显著降低检测器的性能，使其无法使用，特别是在少样本设置中，仅少数损坏的标注就会影响模型性能。在这项工作中，我们提出了 FMG-Det，一种简单、高效的使用噪声标注训练模型的方法论。更具体地说，我们提出将多示例学习 (MIL) 框架与一个预处理管道相结合，该管道利用强大的基础模型在训练前纠正标签。这种预处理管道连同对检测器头的轻微修改，在多个数据集上实现了最先进的性能，涵盖了标准和少样本场景，同时比其他方法更简单、更高效。
引用
@article{arxiv.2505.23726,
title = {FMG-Det: Foundation Model Guided Robust Object Detection},
author = {Darryl Hannan and Timothy Doster and Henry Kvinge and Adam Attarian and Yijing Watkins},
journal= {arXiv preprint arXiv:2505.23726},
year = {2025}
}
备注
10 pages, ICIP 2025