アクティブラーニングを用いたテーブル検出
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.20003v1発表種類：クロス
要旨：効率的なデータアノテーションは、特に広範なラベル付きデータが必要な物体検出タスクにおいて、機械学習における重要な課題として残っている。能動学習（AL）は、最も有益なサンプルを選択することでアノテーションコストを最小限に抑える有望な解決策として台頭してきた。従来のALアプローチは主に不確実性に基づく選択に依存しているが、最近の進歩は、多様性に基づく戦略を取り入れることで物体検出タスクにおけるサンプリング効率を向上できることを示唆している。本アプローチは、モデルの汎化性能を向上させる代表的な例を選択することを保証する。最先端の表検出アーキテクチャであるCascadeTabNetとYOLOv9を用いて、2つのベンチマークデータセット（TableBank-LaTeX、TableBank-Word）で本手法を評価する。その結果、ALに基づくサンプル選択はランダムサンプリングを大幅に上回り、限られた予算でアノテーション作業を削減しながら、完全に教師ありのモデルと同等の性能を維持できることを示している。本手法は、同じアノテーション予算内でより高いmAPスコアを達成する。
原文（英語）を表示
Title (EN): Table Detection with Active Learning
arXiv:2509.20003v1 Announce Type: cross
Abstract: Efficient data annotation remains a critical challenge in machine learning, particularly for object detection tasks requiring extensive labeled data. Active learning (AL) has emerged as a promising solution to minimize annotation costs by selecting the most informative samples. While traditional AL approaches primarily rely on uncertainty-based selection, recent advances suggest that incorporating diversity-based strategies can enhance sampling efficiency in object detection tasks. Our approach ensures the selection of representative examples that improve model generalization. We evaluate our method on two benchmark datasets (TableBank-LaTeX, TableBank-Word) using state-of-the-art table detection architectures, CascadeTabNet and YOLOv9. Our results demonstrate that AL-based example selection significantly outperforms random sampling, reducing annotation effort given a limited budget while maintaining comparable performance to fully supervised models. Our method achieves higher mAP scores within the same annotation budget.
Published: 2025-09-24 19:00 UTC