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

Vietnamese

Các mô hình phát hiện đối tượng dựa trên các tập dữ liệu ghi chú quy mô lớn đòi hỏi nỗ lực ghi chú thủ công đáng kể. Chi phí dán nhãn tăng thêm khi sự không chắc chắn ghi chú được thu thập thông qua các nhãn mềm, vì nhiều ghi chú phải được thu thập cho mỗi đối tượng. Chúng tôi giải quyết thách thức này bằng cách giới thiệu một khuôn khổ bán giám sát cho việc ghi chú nhận thức không chắc chắn của các tập dữ liệu phát hiện đối tượng. Cách tiếp cận của chúng tôi tận dụng các máy dò đối tượng từ vựng mở để tạo ra các đề xuất khu vực và đại diện đối tượng có ý nghĩa ngữ nghĩa.

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