不仅仅是标注——关于LLM生成反馈可解释性与图像标注草图特征的研究
人机交互
2025-05-28 v2 人工智能
摘要
训练数据的质量对于机器学习在交通、医疗和机器人等领域的应用性能至关重要。然而，准确的图像标注往往依赖于耗时且由专家驱动的方法，且反馈有限。本研究引入了一种由大语言模型(LLM)支持的基于草图的标注方法，以降低技术门槛并增强可及性。利用合成数据集，我们考察了草图识别特征与LLM反馈指标之间的关系，旨在提高LLM辅助标注的可靠性与可解释性。我们还探讨了提示策略和草图变化如何影响反馈质量。我们的主要贡献是一个基于草图的虚拟助手，它简化了非专家的标注工作，并在可扩展性、可及性和可解释性方面推进了LLM驱动的标注工具。
引用
@article{arxiv.2505.19419,
title = {It's Not Just Labeling -- A Research on LLM Generated Feedback Interpretability and Image Labeling Sketch Features},
author = {Baichuan Li and Larry Powell and Tracy Hammond},
journal= {arXiv preprint arXiv:2505.19419},
year = {2025}
}