Pourquoi inclure des données négatives lors de la collecte d’un robot ?

Apprendre aussi à dire non

Pièces normales, arrière-plans vides et objets ressemblants révèlent les faux positifs d’un détecteur.

Ne pas confondre ombre et personne

Des images de couloir avec manteaux, ombres et chariots sans personne apprennent au robot à attendre un indice réel.

Un négatif mal choisi peut être trompeur

Si les absences viennent d’un seul lieu ou d’un éclairage, le modèle apprend le décor plutôt que la classe. Variété et test indépendant sont indispensables.

Sources et références

1. [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn
2. [2] AI Risk Management Framework — NIST

Questions liées

• Comment concevoir une collecte de données utile à un robot ?
• Pourquoi enregistrer les métadonnées avec les observations d’un robot ?
• Comment collecter des données dans les situations rares sans mettre des personnes en danger ?
• Comment savoir qu’une campagne de collecte doit s’arrêter ?

Cette réponse vous a-t-elle été utile ?

OuiNon

Commentaire facultatif