Active deep learning for object detection

Entwicklung neuer Strategien zur Integration von Active Learning und Deep Learning für den Einsatz künstlicher Intelligenz

Annotierte Daten 

Daten spielen eine entscheidende Rolle in der Weiterentwicklung der Künstlichen Intelligenz. Tatsächlich sind es nicht einfach Daten, sondern annotierte Daten, die für das erfolgreiche Training von Algorithmen der Künstlichen Intelligenz erforderlich sind. Die Datenannotation ist jedoch eine zeitaufwändige und teure Aufgabe, die bis zu einem gewissen Grad subjektiv ist. Daher ist es dringend erforderlich, neue Wege zu finden um den Annotationsprozess durch weniger Benutzerinteraktion zu beschleunigen. 

Active Learning 

Active Learning ist eine vielversprechende Lösung. Es handelt sich dabei um eine Lernmethode, die das Problem des Maschinellen Lernens aus nicht annotierten Daten auf möglichst effiziente Weise und mit minimalem Aufwand für den/die BenutzerIn angeht. Es reduziert die Anzahl der annotierten Daten, die für das Training eines Modells benötigt werden, indem es korrekt klassifizierte Daten nutzt, die vom Benutzer/von der Benutzerin in einer Rückkopplungsschleife bereitgestellt werden. Um die Benutzerinteraktion in diesem Lernprozess zu minimieren, werden nur Informationen über diejenigen Proben angefordert, die den Lernprozess am meisten beschleunigen. Active Learning wird bereits erfolgreich in den Bereichen Bildkategorisierung, natürliche Sprachverarbeitung, Bildklassifikation, Sequenzkennzeichnung und Bildsegmentierung eingesetzt. 

Kombination von Active Learning und Deep Learning 

Deep Learning ist eine andere Methode die das maschinellen Lernens entscheidend vorangebracht hat. Allerdings stützt sich Deep Learning stark auf annotierte Eingabedaten. Wenn nicht-annotierte Daten verwendet werden ist Input vom Benutzer/von der Benutzerin in Form von Active Learning erforderlich, zumal das maschinelle Lernen auf immer mehr verschiedene Datentypen ohne leicht zugängliche Etiketten angewendet wird. Deep Learning Methoden sind eher langsam und benötigen viele annotierte Input-Samples. Active Learning erfordert jedoch schnelle Lernmethoden, die nur wenige annotierte Stichproben brauchen. Die Kombination von Active Learning und Deep Learning ist daher eine herausfordernde Aufgabe.

In diesem Projekt wird dieses Problem eingehend untersucht und neue Strategien zur Integration von Active und Deep Learning in ein gemeinsames "Deep Active Learning"-Framework mit Fokus auf Objekterkennung und Klassifikation für annotierte Daten werden entwickelt. Die erfolgreiche Kombination Active Learning und Deep Learning könnte das maschinelle Lernen aus nicht-annotierten Daten auf eine neue Ebene heben.

Projektleitung
Finanzierung
NFB-Science Call Dissertationen
Laufzeit
01.03.2020 – 28.02.2023
Projektstatus
laufend
Beteiligte Institute, Gruppen und Zentren
Forschungsgruppe Media Computing
Institut für Creative\Media/Technologies