Yapay Zeka Veri Kalitesi Araştırması: Nesne Algılama Veri Setlerindeki Hatalar
Sejong Üniversitesi liderliğindeki araştırmacılar, nesne algılama veri setlerinde yaygın olarak karşılaşılan etiketleme hatalarını ve çözüm yöntemlerini inceledi.
Sejong Üniversitesi Yazılım Bölümü'nden Profesör Sung Wook Baik liderliğindeki araştırma ekibi, nesne algılama veri setlerindeki etiketleme hatalarını ve bu hataların tespit edilip doğrulanmasına yönelik yöntemleri inceleyen kapsamlı bir çalışma yayımladı.
Veri Merkezli Yaklaşımın Önemi
Çalışma, bilgisayarlı görü modellerinin eğitilmesinde ve değerlendirilmesinde kullanılan veri setlerinin güvenilirliğine odaklanan veri merkezli bir yaklaşım benimsemektedir. Otonom sürüş, tıbbi görüntüleme ve robotik gibi alanlarda kullanılan bu sistemlerin performansı veri kalitesine doğrudan bağlıdır.
Araştırma Kapsamı ve Yöntemler
Araştırmacılar 2016 ile 2025 yılları arasında yayımlanan ilgili çalışmaları inceleyerek mevcut yaklaşımları manuel, zayıf denetimli, yarı denetimli ve tamamen otomatik olmak üzere dört ana gruba ayırmıştır. Ayrıca MS-COCO ve Pascal VOC gibi büyük benchmark veri setlerinden yaklaşık 47 bin görsel incelenmiştir.
Tespit Edilen Etiketleme Hataları
Araştırma sonucunda eksik etiketler, yanlış etiketler, konumlandırma hataları, mükerrer etiketler ve tutarsız etiketlemeler dahil olmak üzere tekrarlayan çeşitli etiketleme problemleri tespit edilmiştir.
Gelecekteki Geliştirme Yönelimleri
Ekip, veri seti güvenilirliğini artırmak için onaylanmış benchmark veri setleri geliştirilmesi, standartlaştırılmış kalite metrikleri ve temel model destekli hata düzeltme sistemleri gibi gelecekteki yönelimleri özetlemiştir.