Publikacja w Machine Learning Journal

Opublikowano: 01.04.2026 11:10

Z przyjemnością informujemy, że nasze najnowszy artykuł pt. „Combating Noisy Labels in Object Detection Datasets” został oficjalnie opublikowany w czasopiśmie Machine Learning Journal. Autorami artykułu są Krystian Chachuła, Bartłomiej Olber, Jakub Łyskawa, Adam Popowicz i Krystian Radlak

Praca ta porusza istotne wyzwanie współczesnej wizji komputerowej jakim jest obecność zaszumionych lub błędnych adnotacji w zbiorach danych do detekcji obiektów 2D. W artykule proponujemy zautomatyzowane podejście do wykrywania i korygowania takich błędów, co przyczynia się do poprawy niezawodności oraz wydajności modeli detekcji obiektów trenowanych na niedoskonałych danych. Rozwiązywanie problemu zaszumionych etykiet jest szczególnie istotne w przypadku ich zastosowania w systamch krytycznych pod względem bezpieczeństwa, gdzie nawet drobne błędy w adnotacjach mogą prowadzić do poważnych konsekwencji w rzeczywistych warunkach.

Nasze wyniki pokazują, że identyfikacja i ograniczanie liczby błędnych adnotacji może znacząco poprawić skuteczność modeli, zwłaszcza w przypadku dużych, rzeczywistych zbiorów danych, gdzie ręczna weryfikacja jest kosztowna i podatna na pomyłki.

 

Pełny artykuł jest dostępny pod adresem: https://link.springer.com/article/10.1007/s10994-025-06976-x