从标签误差检测到纠正：面向目标检测数据集的模块化框架与基准
计算机视觉与模式识别
2026-02-02 v2 机器学习
摘要
近年来，目标检测领域快速发展，推动了大规模多样化数据集的出现。然而，标签误差常常损害数据集质量，影响训练结果和基准评估。虽已有目标检测数据集标签误差检测方法，但通常仅在合成基准或通过有限人工检查验证。如何在规模化方式系统性纠正这些误差仍是开放问题。我们引入一种半自动标签误差纠正框架，命名为 Rechecked。该框架基于现有标签误差检测方法，将误差提案提交给轻量级众包微任务进行审核。我们将 Rechecked 应用于 KITTI 数据集中的 pedestrian 类别，众包获得高质量校正标注。我们检测到原始 ground truth 中 18% 的缺失和不准确标签。我们表明，结合本框架的标签误差检测方法，可在人力成本远低于从头标注的情况下恢复数百个误差。然而，即便是最佳方法仍可漏检最高达 66% 的标签误差，这进一步激励基于我们公开的基准进行后续研究。
引用
@article{arxiv.2508.06556,
title = {From Label Error Detection to Correction: A Modular Framework and Benchmark for Object Detection Datasets},
author = {Sarina Penquitt and Jonathan Klees and Rinor Cakaj and Daniel Kondermann and Matthias Rottmann and Lars Schmarje},
journal= {arXiv preprint arXiv:2508.06556},
year = {2026}
}