损失函数最为可靠：通过损失轨迹检测视频中的标注错误

高质量的视频数据集是训练在动作识别、阶段检测和事件分割等任务中鲁棒模型的基础。然而，许多现实视频数据集都受到标注错误的影响，如*误标*（将片段分配给错误的类别）和*错序*（时间序列不遵循正确的进程）。这些错误在带有阶段标注的任务中尤其有害，因为时间一致性至关重要。我们提出了一种新颖的、模型无关的方法，通过分析累计样本损失 (CSL) 来检测标注错误——即定义为帧通过训练过程中保存的模型检查点时所产生的平均损失。每帧的损失轨迹作为帧级可学习性的动态指纹。误标或错序的帧倾向于显示持续的高损失或不规则的损失模式，因为它们在整个训练期间都难以被模型学习，而正确标注的帧则通常很早就收敛到低损失。为计算 CSL，我们训练一个视频分割模型并在每个时期存储其权重。然后使用这些检查点对测试视频中的每一帧计算损失。具有持续高 CSL 的帧被标记为可能的标注错误的候选对象，包括误标或时间错位。该方法无需标注错误的真实答案，且可跨数据集通用。EgoPER 和 Cholec80 上的实验表明，该方法表现出色，有效识别了诸如误标和帧错序等细微不一致性。该方法为数据集审计和提高视频基于机器学习训练可靠性提供了强大的工具。