User: Guest  Login
Original title:
Few-Shot Object Detection in Industrial Applications 
Original subtitle:
Training Accurate Models with Few Annotations 
Translated title:
Few-Shot Objekterkennung in industriellen Anwendungen 
Translated subtitle:
Trainieren von genauen Modellen mit wenigen Annotationen 
Year:
2021 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
Steger, Carsten (Prof. Dr.) 
Referee:
Steger, Carsten (Prof. Dr.); Schiele, Bernt (Prof. Dr.) 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik 
Keywords:
image processing, object detection, few-shot, instance segmentation 
Translated keywords:
Bildverarbeitung, Objekterkennung, Few-Shot, Instance Segmentation 
TUM classification:
DAT 760; DAT 770 
Abstract:
This thesis develops methods to reduce the large annotation effort of current deep-learning-based algorithms for object detection with pixel-precise regions in images. Data generation techniques with semi-automatic annotation and few-shot models that require fewer training images are presented. The methods are evaluated on a novel industrial dataset and with a novel evaluation measure that better includes the model’s precision. 
Translated abstract:
Diese Arbeit entwickelt Verfahren um den großen Annotationsaufwand von heutigen Deep Learning basierten Algorithmen für die Objekterkennung mit pixel-genauen Regionen in Bildern zu verringern. Es werden Datengenerierungstechniken mit halb-automatischer Annotation und Few-Shot Modelle vorgestellt, die weniger Trainingsbilder benötigen. Die Methoden werden auf einem neuartigen industriellen Datensatz und mit einem neuen Evaluierungsmaß ausgewertet, das die Modellpräzision besser einbezieht. 
Oral examination:
22.07.2021 
File size:
80996807 bytes 
Pages:
309 
Last change:
02.09.2021