缩小差距：利用含噪位置标注改进检测器训练
计算机视觉与模式识别
2022-11-23 v1
摘要
深度学习方法需要大量标注数据以优化参数。例如，带有精确边界框标注的数据集对于现代目标检测任务至关重要。然而，此类像素级精度的标注费力且耗时，且为减少人为噪声，精细的标注流程不可或缺，包括标注审查与验收测试。本文关注含噪位置标注对目标检测方法性能的影响，并旨在从用户侧减轻该噪声的负面影响。首先，实验观察到当边界框标注引入噪声时，单阶段与两阶段检测器均出现明显的性能下降。例如，我们合成的噪声使 FCOS 检测器在 COCO 测试集上的 AP 从 38.9% 降至 33.6%，Faster R-CNN 从 37.8% AP 降至 33.7% AP。其次，我们提出一种基于贝叶斯滤波的预测集成自校正技术，遵循教师-学生学习范式以更好地利用含噪位置标注。针对合成与真实场景的实验一致证明了方法的有效性，例如，我们的方法在 COCO 上将退化的 FCOS 检测器性能从 33.6% AP 提升至 35.6% AP。
引用
@article{arxiv.2206.05708,
title = {Narrowing the Gap: Improved Detector Training with Noisy Location Annotations},
author = {Shaoru Wang and Jin Gao and Bing Li and Weiming Hu},
journal= {arXiv preprint arXiv:2206.05708},
year = {2022}
}