數據是現代機器學習應用程序中最重要的組成部分，包括自動駕駛汽車的感知系統(tǒng)都是依靠數據進行訓練的。目前汽車都配備了許多傳感器，這些傳感器收集信息并輸入到汽車計算機，然后信息必須進行實時處理和注釋，以便汽車了解行駛中道路前方的情況。但是，汽車計算機上的算法需要接受有關如何進行分類的訓練，所以數據標注的準確性變得很重要。以下是Annotell公司在數據標注上的一些探索。

帶注釋的數據至關重要，它有兩個目的：在汽車上的計算機上訓練算法以解釋收集的信息，并驗證計算機確實已學會正確解釋收集的信息。由于注釋數據用于這兩個關鍵目的，因此注釋的質量至關重要。最終，低質量的注釋可能會導致汽車誤解道路上正在發(fā)生的事情。

注釋數據的過程始終包括一些人為的決定，第一個挑戰(zhàn)就是讓人們同意對記錄的數據進行正確的注釋，而創(chuàng)建這樣的注釋準則有時并不像人們想象的那么容易。往往需要有效設計注釋準則以提高質量方面具有豐富的經驗。第二個挑戰(zhàn)是在指南的指導下按比例執(zhí)行注釋。

如何判斷數據集的有效性？

量化注釋質量的一種方法是注釋數據集的精度和召回率?？紤]一下標注的類型，其中攝像機圖像中的一個對象（如接近的車輛）由一個邊界框標注。在對此類數據集的質量進行推理時，有兩個重要的問題（i）感興趣的對象是否已由邊界框正確標注，以及（ii）邊界框是否實際上包含感興趣的對象。

上面示意圖中出現了錯誤標注。而在完美注釋的數據集中，以上兩個錯誤均不存在。因此，定義質量的一種方法是計算這些錯誤在帶注釋的數據集中出現的程度。例如計算

實際表示對象的包圍盒的比率。這稱為精度。理想情況下，精度為1。用邊界框正確注釋的對象的比率。這就是所謂的召回。理想情況下，召回率為1。

但是，計算數據集的精度和召回率還需要對整個數據集中的每個幀進行人工批判性檢查，這可能與注釋過程本身一樣昂貴！為了在計算精度和召回率時獲得效率，因此Annotell團隊依靠統(tǒng)計數據來推斷精度和召回率。僅對所有注釋的統(tǒng)計選擇良好的子集進行人工批判性審查，并使用概率論得出有關整個數據集的結論。

更詳細地講，他們使用貝葉斯方法來計算后驗分布，以提高精度并召回整個數據集，這取決于已經進行了嚴格審查的注釋的子樣本。它不僅提供了精確度和召回率的估計，而且還量化了這些估計中的不確定性。例如，我們可以計算所謂的95％可信度下限，這意味著可以確定95％的精度或召回率不低于此閾值。

Annotell公司提供了一種具有成本效益的工具，用于根據精度和召回級別以及對級別的確定性來衡量注釋的質量。

責任編輯：xj