Few-Shot Object Detection in Industrial Applications: Training Accurate Models with Few Annotations

Follmann, Patrick Moritz

User: Guest

Patrick Moritz Follmann

If you experience problems opening the document, please try this link.

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
Author:: Follmann, Patrick Moritz
Year:: 2021
Document type:: Dissertation
Faculty/School:: 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.
WWW:: https://mediatum.ub.tum.de/?id=1595888
Date of submission:: 15.02.2021
Oral examination:: 22.07.2021
File size:: 80996807 bytes
Pages:: 309
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210722-1595888-1-7
Last change:: 02.09.2021
BibTeX