Newest papers

Open-Vocabulary Models and Label Propagation for Uncertainty-aware Pseudo-Labeling of Object Detection Datasets

Jonathan Klees, Timo Heller, Matthias Rottmann · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29788 · open-access PDF

French

Les modèles de détection d'objets s'appuient sur des ensembles de données annotées à grande échelle qui nécessitent un effort d'annotation manuelle substantiel. Les coûts d'étiquetage augmentent encore lorsque l'incertitude de l'annotation est capturée par des étiquettes douces, car plusieurs annotations doivent être collectées pour chaque objet. Nous abordons ce défi en introduisant un cadre semi-supervisé pour l'annotation consciente de l'incertitude des ensembles de données de détection d'objets. Notre approche utilise des détecteurs d'objets en vocabulaire ouvert pour générer des propositions régionales et des représentations d'objets significatives.

Machine translation (Meta M2M100); the English original follows.

Abstract

Object detection models rely on large-scale annotated datasets that require substantial manual annotation effort. The labeling costs further increase when annotation uncertainty is captured through soft labels, as multiple annotations must be collected for each object. We address this challenge by introducing a semi-supervised framework for the uncertainty-aware annotation of object detection datasets. Our approach leverages open-vocabulary object detectors to generate region proposals and semantically meaningful object representations. Based on these representations, we construct an object-le

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange