Corrección automática de errores de etiquetado aplicada a la detección de tomates
Autores: Zamora Suárez, Ángel Eduardo; Alvarez Hernandez, Gerardo Antonio; Vasquez, Juan Irving; Taud, Hind; Uriarte-Arcia, Abril Valeria; Zamora, Erik
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Corrección automática de errores de etiquetado aplicada a la detección de tomates
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Etiquetado
Modelos de aprendizaje profundo
Aplicaciones agrícolas
Ruido de etiqueta
Conjuntos de datos de detección de objetos
Detector YOLOv5
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
La correcta etiquetación es fundamental para entrenar modelos de aprendizaje profundo confiables en aplicaciones agrícolas. Sin embargo, la etiquetación manual suele ser propensa a errores, especialmente cuando es realizada por no expertos, y dichos errores (modelados como ruido) pueden degradar significativamente el rendimiento del modelo.
Descripción
La correcta etiquetación es fundamental para entrenar modelos de aprendizaje profundo confiables en aplicaciones agrícolas. Sin embargo, la etiquetación manual suele ser propensa a errores, especialmente cuando es realizada por no expertos, y dichos errores (modelados como ruido) pueden degradar significativamente el rendimiento del modelo.