面向目标检测的数据集标签遗漏的协同修正技术

来源：计算机工程与应用杂志2024年第8期北京时间：

作者：周定威, 扈静, 张良锐, 段飞亚

单位：合肥工业大学 机械工程学院，合肥 230009

摘要：针对图像标注中疲劳、粗心等因素引起的标签遗漏现象，使得模型训练时难以正确区分正负样本，进而影响模型性能。设计了一种协同修正技术，通过多次迭代更新训练集，将潜在无标签的目标进行对象擦除，降低训练集的错误监督信息，避免人工的重复检查和重复标注。该方法无需进行算法参数调整、不依赖具体网络结构，低成本地减少数据集错误从而提升模型训练精度。在YOLOv5算法的实验基础上表明协同修正操作仅迭代1次即有明显的改善效果，并在多个公共数据集上能够提升0.4%~1.4%的检测精度，当数据集中的标签遗漏率达到40%时依然能够生效。该方法对数据集中样本的数据量和类别数没有限制，可应用于电商、遥感、通用等多种目标检测场景，保持着较好的鲁棒性和泛化性。

关键词：协同修正,标签遗漏,数据集优化,目标检测,深度学习