Learning from Disagreement in Object Detection (SoSe 2026)
Projektbeschreibung:
Im Bereich des maschinellen Lernens wird der Begriff „Ground Truth“ häufig synonym mit menschlichen Annotationen in der Bildverarbeitung verwendet. Doch wie kann es eine definitive Ground Truth geben, wenn sich mehrere Annotatoren nicht einig sind?
Der übliche Ansatz besteht darin, aus diesen widersprüchlichen Labels eine einzige Ground Truth zu aggregieren. In diesem Projekt verfolgen wir einen anderen Ansatz: Wir betrachten diese Meinungsverschiedenheiten als wertvolles Supervisionssignal, das inhärente Variationen erfasst. Im Laufe des Projekts werden wir neuronale Netzwerkdesigns untersuchen, die in der Lage sind, direkt aus Meinungsverschiedenheiten zu lernen. Zudem werdenb wir Bewertungs- und Diagnosetools für diese Aufgabe anpassen und unsere Methoden an einer Auswahl von Datensätzen aus verschiedenen Bereichen testen.
Lernziele:
- Arbeiten mit modernen Deep-Learning-Frameworks.
- Entwickeln von modularem und wartbarem Code für maschinelles Lernen.
- Entwerfen und Durchführen präziser Experimente.
- Untersuchen und Implementieren neuartiger Modellarchitekturen.
Voraussetzungen:
- Erfolgreicher Abschluss des Kurses "Deep Learning for Computer Vision".