Benutzer: Gast  Login
Originaltitel:
Few-Shot Object Detection in Industrial Applications
Originaluntertitel:
Training Accurate Models with Few Annotations
Übersetzter Titel:
Few-Shot Objekterkennung in industriellen Anwendungen
Übersetzter Untertitel:
Trainieren von genauen Modellen mit wenigen Annotationen
Autor:
Follmann, Patrick Moritz
Jahr:
2021
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Steger, Carsten (Prof. Dr.)
Gutachter:
Steger, Carsten (Prof. Dr.); Schiele, Bernt (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
image processing, object detection, few-shot, instance segmentation
Übersetzte Stichworte:
Bildverarbeitung, Objekterkennung, Few-Shot, Instance Segmentation
TU-Systematik:
DAT 760; DAT 770
Kurzfassung:
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.
Übersetzte Kurzfassung:
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.
WWW:
https://mediatum.ub.tum.de/?id=1595888
Eingereicht am:
15.02.2021
Mündliche Prüfung:
22.07.2021
Dateigröße:
80996807 bytes
Seiten:
309
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210722-1595888-1-7
Letzte Änderung:
02.09.2021
 BibTeX