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.