지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술대회자료
- 저자정보
- 발행연도
- 2024.11
- 수록면
- 248 - 265 (18page)
이용수
초록· 키워드
오류제보하기
The performance of deep learning models is critically dependent on the quality of training datasets, yet widely utilized datasets such as ImageNet are often plaguedby label inaccuracies and biases, which can undermine model reliability. To address this issue, we introduce a novel human-machine interaction framework aimed at systematically enhancing the quality of computer vision datasets. This framework integrates pre-trained models with human annotation to identify and correct label inaccuracies, ultimately improving the overall performance of machine learning models. Applied to the ImageNet V2 dataset, our approach involved using pre-trained models to detect potential labeling errors, followed by a refinement process carried out by human annotators through a specialized web interface. Key features of this process include multi-label annotation and mechanisms for resolving disagreements, ensuring high accuracy in label refinement. The implementation of this framework revealed that approximately 50% ofthe images required label adjustments. Post-refinement, Top-1 accuracy improved by X% and Top-5 accuracy by Y%, highlighting the significant impact of accurate labelingon model performance. As AI systems increasingly rely on large-scale datasets, the integrity of these datasets becomes paramount. Our framework, by uniquely combining automated and manual correction methods, significantly enhances dataset quality and, consequently, the reliability and accuracy of deep learning models. Future work will focus on extending this approach to other large-scale datasets and exploring its integration with more advanced machine learning models.
목차
ABSTRACT
INTRODUCTION
MATERIALS AND METHODS
RESULTS
DISCUSSION
CONCLUSION
References
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
Dataset Condensation on ImageNet with Soft Labels
한국방송미디어공학회 학술발표대회 논문집
2024 .06
-
DeepCleanNet: Training Deep Convolutional Neural Network with Extremely Noisy Labels
멀티미디어학회논문지
2020 .11
-
이미지 라벨링 시스템(Label Now)
대한전자공학회 학술대회
2022 .11
-
Mitigating Class Misalignment and Imbalance in Multi-Dataset Integration for 2D Object Detection through Pseudo Labeling
한국자동차공학회 추계학술대회 및 전시회
2024 .11
-
Weak Label을 활용한 딥뉴럴네트워크의 성능 향상 기법
대한전자공학회 학술대회
2021 .06
-
라벨 노이즈 데이터 제거
제어로봇시스템학회 국내학술대회 논문집
2021 .06
-
국내 도로 환경에 특화된 자율주행을 위한 멀티카메라 데이터 셋 구축 및 유효성 검증
대한임베디드공학회논문지
2022 .10
-
대용량 이미지넷 인식을 위한 CNN 기반 Weighted 앙상블 기법
대한임베디드공학회논문지
2020 .01
-
분류 성능 최적화를 위한 레이블 군집화
대한전자공학회 학술대회
2021 .06
-
ImageNet Dataset 벤치마크에서 Transformer 기반 모델들의 비교와 분석
대한전자공학회 학술대회
2022 .06
-
멀티태스크 학습을 활용한 실세계 쓰러진 사람 탐지 기술 개발
대한전자공학회 학술대회
2023 .06
-
다중 레이블 분류의 정확도 향상을 위한 스킵 연결 오토인코더 기반 레이블 임베딩 방법론
지능정보연구
2021 .09
-
강화된 진화 탐색이 생성하는 큰 자손 기반 효과적인 다중 레이블 특징 선별
한국컴퓨터정보학회논문지
2018 .09
-
Multi-Label Classification Approach to Location Prediction
한국컴퓨터정보학회논문지
2017 .10
-
Dynamic Mutual Information Based Feature Selection for Multi-label Learning
대한산업공학회 추계학술대회 논문집
2018 .11
-
Simultaneous Kernel Learning and Label Imputation for Pattern Classification with Partially Labeled Data
INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS
2017 .03
-
A Robust Auto-Labeling Framework with Noisy Labels Using a Transition Matrix
대한산업공학회 추계학술대회 논문집
2024 .10
-
다중 레이블 나이브 베이즈 분류를 위한 새로운 사후확률 추정 방법에 관한 연구
한국컴퓨터정보학회논문지
2018 .06
-
모델 위원회를 사용한 노이즈 레이블 정제 학습
제어로봇시스템학회 국내학술대회 논문집
2022 .06
-
Deep Neural Network Self-training Based on Unsupervised Learning and Dropout
INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS
2017 .03
최근 본 자료
댓글(0)
0