通过学习模式分析驱动的伪标注优化基准目标检测数据集
计算机视觉与模式识别
2025-06-03 v1
摘要
基准目标检测(OD)数据集在推进自动驾驶和监控等计算机视觉应用，以及在训练和评估基于深度学习的 SOTA 检测模型方面发挥着关键作用。其中，MS-COCO 因其多样的目标类别和复杂场景已成为标准基准。然而，尽管被广泛采用，MS-COCO 仍存在各种标注问题，包括标签缺失、类别分配错误、边界框不准确、标签重复和群组标注不一致。这些错误不仅阻碍模型训练，还降低了 OD 模型的可靠性和泛化能力。为应对这些挑战，我们提出了一个全面的优化框架，并发布了 MS-COCO 的重新标注版本 MJ-COCO。我们的方法首先通过基于损失和梯度的错误检测来识别潜在误标或难以学习的样本。接下来，我们应用四阶段伪标注优化流程：(1)使用可逆变换生成边界框，(2)基于 IoU 的重复去除和置信度合并，(3)通过专家目标识别器进行类别一致性验证，(4)基于目标区域激活图分析进行空间调整。这一集成流程无需人工重新标注即可实现对标注错误的可扩展且准确的修正。我们在四个验证数据集上进行了大量实验：MS-COCO、Sama COCO、Objects365 和 PASCAL VOC。在 MJ-COCO 上训练的模型始终优于在 MS-COCO 上训练的模型，在平均精度(AP)和 APS 指标上均有提升。MJ-COCO 在标注覆盖率方面也显示出显著提升：例如，与 MS-COCO 相比，小目标标注数量增加了超过 200,000 个。
引用
@article{arxiv.2506.00997,
title = {Pseudo-Labeling Driven Refinement of Benchmark Object Detection Datasets via Analysis of Learning Patterns},
author = {Min Je Kim and Muhammad Munsif and Altaf Hussain and Hikmat Yar and Sung Wook Baik},
journal= {arXiv preprint arXiv:2506.00997},
year = {2025}
}