从模型不确定性到人类注意力：局部化感知的视觉线索用于可扩展标注审查
人机交互
2026-05-13 v1 计算机视觉与模式识别
机器学习
摘要
高质量的标注数据对训练稳健的机器学习模型至关重要，但规模获取标注仍昂贵。因此，AI 辅助标注已成为大规模标注工作流程的标准。然而，在模型预测包含两个独立分量（类别标签和空间边界）的任务中，模型可能对类别判断高度自信但误定位。现有 AI 辅助工作流程未提供关于空间错误最可能发生处的信号。没有这种指导，人类可能系统性地忽略细微偏移的边界。在我们研究了通过 purpose-built 界面可视化空间不确定性的效果后，120 名参与者的受控研究表明，接收不确定性线索的组在标签质量方面取得更好结果，同时整体更快。盒水平分析确认，这些线索将标注者注意力从已定位良好的盒子转向高不确定性预测。这些发现确立了空间不确定性作为改进人类在回环标注的杠杆。代码地址为 https://mos-ks.github.io/MUHA/。
引用
@article{arxiv.2605.12303,
title = {From Model Uncertainty to Human Attention: Localization-Aware Visual Cues for Scalable Annotation Review},
author = {Moussa Kassem Sbeyti and Joshua Holstein and Philipp Spitzer and Nadja Klein and Gerhard Satzger},
journal= {arXiv preprint arXiv:2605.12303},
year = {2026}
}