PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.25500v2cs.CV

mbariml: 심해 영상 및 비디오를 객체 검출 학습 데이터로 변환하기 위한 큐레이션 파이프라인

mbariml: a curation pipeline for turning deep-sea imagery and video into object-detection training data

학습(training) 데이터의 양과 질은 모델 아키텍처와 관계없이 객체 검출(object detection) 모델의 성능에 큰 영향을 미칩니다. 관심 대상(주로 생물)이 희소하고 희미하며 식별하기 어려운 심해 비디오 및 영상에서의 객체 검출의 경우, 검출기 성능의 점진적인 개선을 위해 데이터 라벨링 및 관리에 대한 반복적인 접근 방식이 필요할 수 있습니다. 본 논문에서는 데이터 라벨링 및 관리 프로세스를 중심으로 구축된 파이썬(Python) 기반 비디오 및 영상 분석 파이프라인인 mbariml을 소개합니다. mbariml은 Ultralytics YOLO 검출 모델을 사용하여 정지 영상이나 비디오에서 모델을 실행하고, 모든 검출 결과를 검토 가능한 관심 영역(ROI)으로 저장하며, 시각적 유사도에 따라 이러한 영역들을 그룹화하여 작업자가 일괄 수락 또는 거부할 수 있도록 한 뒤 결과를 학습 데이터, 통계, 영상 사이드카(sidecar) 및 추가 메타데이터로 내보냅니다. 기존 YOLO 및 Pascal VOC 데이터셋을 동일한 데이터베이스로 가져올 수 있으므로, 기존 레거시 학습 세트를 새로운 검출 결과와 함께 검토, 확장 및 재내보내기할 수 있습니다. 인간 검토 단계는 이 설계의 핵심입니다. 어노테이터는 SAM3 분할(segmentation) 모델의 보조를 선택적으로 받아 완전히 새로운 위치 지정을 검증, 재라벨링, 크기 조정, 삭제 및 직접 그릴 수 있으며, 이러한 모든 편집 내용은 검출기가 기록했던 것과 동일한 데이터베이스에 다시 기록됩니다. 비디오는 특히 많은 주목을 받는데, 소프트웨어는 트래커가 생성한 각 트랙(track)을 임시 관측치로 취급하고 트랙 내의 모든 검출 결과를 유지하는 대신 하나의 대표 프레임을 선택합니다. 우리는 해저 비디오의 684개 트랙에서 검토한 각 트랙의 대표 프레임 선정 방식(사용자가 선택한 트랙의 3분의 1 지점, 기본값은 중간)을 포함하여 파이프라인을 단계별로 설명합니다.

arXiv:2607.20455v1cs.CL

RE-AD: 데이터 라벨링을 위한 실시간 요구사항 준수

RE-AD: Real-Time Requirement Adherence for Data Labeling

인간 주석 데이터는 최첨단 대규모 언어 모델(LLM)의 학습에 여전히 근본적으로 중요하다. 그러나 크라우드소싱 주석은 종종 주석자의 오해 또는 참여 부족에서 비롯된 품질 문제를 겪는다. 이를 해결하기 위해, 우리는 LLM을 활용하여 라벨링 품질을 사전적으로 검증하는 실시간 요구사항 준수(RE-AD) 프레임워크를 제안한다. 우리의 방법론은 자기 성찰(self-reflection)을 통해 표준 운영 절차(SOP)를 원자 규칙으로 분해하고, 복잡도별로 분류하며, 계층적 검증 전략을 적용하는 것을 포함한다. 합성 벤치마크에서 평가한 결과, 시스템은 F1 점수 0.749를 달성했다. 또한, 프로덕션 배포 결과 주석자들은 프레임워크가 표시한 오류의 82%를 수용하고 수정했다. 우리는 핵심 설계 결정의 영향을 보여주기 위해 절제 연구(ablation study)를 포함한다.