Core Concepts
Aktives Lernen kann die Kosten für die Segmentierung von Unterwasserbildern deutlich senken, indem nur die informativsten Bilder für das Training ausgewählt werden.
Abstract
Die Studie untersucht den Einsatz von aktivem Lernen zur effizienten Segmentierung von Unterwasserbildern. Dafür werden zwei Segmentationsmodelle, DenseNet und HyperSeg, auf zwei Datensätzen getestet: CamVid, einem öffentlichen Straßenbilddatensatz, und einem Datensatz von über 50.000 Unterwasserbildern einer Rohrleitungsinspektion.
Für den CamVid-Datensatz zeigt sich, dass aktives Lernen die Leistung der Modelle im Vergleich zu zufälliger Bildauswahl verbessert. Bei HyperSeg wird mit 28,9% der Daten 87,1% der Leistung des Modells mit dem gesamten Datensatz erreicht.
Für den Unterwasserdatensatz erzielt das HyperSeg-Modell mit aktivem Lernen eine mittlere IoU von 67,5% unter Verwendung von nur 12,5% der Daten, während das Modell mit zufälliger Bildauswahl nur 61,4% erreicht. Insbesondere für die unterrepräsentierten Klassen zeigt sich ein deutlicher Performancegewinn durch aktives Lernen.
Die Ergebnisse zeigen, dass aktives Lernen die Kosten für die Annotation von Unterwasserbildern signifikant senken kann, ohne die Leistung der Segmentationsmodelle stark zu beeinträchtigen.
Stats
"Die Unterwasserdaten enthalten 64.920 Videoframes, von denen 8.896 für den Test reserviert wurden. Die verbleibenden 56.024 Bilder wurden zufällig in 70% für das Training und 30% für die Validierung aufgeteilt."
"Das Unterwasserdatensatz-Modell mit aktivem Lernen erreichte eine mittlere IoU von 67,5% unter Verwendung von nur 12,5% der Daten, während das Modell mit zufälliger Bildauswahl nur 61,4% erreichte."
Quotes
"Aktives Lernen kann die Kosten für die Annotation von Unterwasserbildern signifikant senken, ohne die Leistung der Segmentationsmodelle stark zu beeinträchtigen."
"Für die unterrepräsentierten Klassen zeigt sich ein deutlicher Performancegewinn durch aktives Lernen."