The Influence of Faulty Labels in Data Sets on Human Pose Estimation

要約

この研究では、トレーニング データの品質が人間姿勢推定 (HPE) におけるモデルのパフォーマンスに影響を与えることを実証する経験的証拠を提供します。
広く使用されているデータセットの不正確なラベルは、軽微なエラーから重大なラベルの誤りに至るまで、学習に悪影響を及ぼし、パフォーマンス指標を歪める可能性があります。
当社は、一般的な HPE データセットの詳細な分析を実行して、ラベルの不正確さの程度と性質を示します。
私たちの調査結果は、欠陥のあるラベルの影響を考慮することで、現実世界のさまざまなアプリケーション向けに、より堅牢で正確な HPE モデルの開発が促進されることを示唆しています。
クレンジングされたデータによりパフォーマンスが向上したことがわかります。

要約(オリジナル)

In this study we provide empirical evidence demonstrating that the quality of training data impacts model performance in Human Pose Estimation (HPE). Inaccurate labels in widely used data sets, ranging from minor errors to severe mislabeling, can negatively influence learning and distort performance metrics. We perform an in-depth analysis of popular HPE data sets to show the extent and nature of label inaccuracies. Our findings suggest that accounting for the impact of faulty labels will facilitate the development of more robust and accurate HPE models for a variety of real-world applications. We show improved performance with cleansed data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google