Active Learning for Semantic Segmentation

Neural Networks have proven their capabililties in computer vision tasks. How- ever, their ability depends on the quantity and quality of data. Larger training dataset usually improves the performance of the trained model. This, however, comes at a cost. Collecting new data points for training and especially labelling and annotating them is a labour-intensive task which very often needs signifi- cant time and money. Therefore it is important to devote our time and money for collecting the data which makes a difference. If there are already a lot of similar data points in our dataset, there is no point in collecting and annotat- ing one more similar to them. Instead one might prefer to collect data which adds new “information” to the existing training dataset.In the segmentation task, labeling one image demands approximate one hour by the human. In this research project, the problem of informative data collection will be studied. The method will be used for collecting training data to train a deep learning- based semantic segmentation algorithm. To reduce the cost of preparing data, making our neural network learn the most informative data actively is an ur- gent need. I investigate the method to measure the information contained in data and build the pipeline to improve the neural network performance in the segmentation task. Implementing details and current result will be presented.Neurala nätverk har bevisat sina kapaciteter i datorsynuppgifter. Men deras förmåga beror på datamängden och kvaliteten. Större träningsdatasats förbätt- rar vanligtvis den tränade modellens prestanda. Detta kommer dock till en kostnad. Att samla in nya datapunkter för utbildning och särskilt märka och kommentera dem är en arbetsintensiv uppgift som ofta behöver betydande tid och pengar. Därför är det viktigt att ägna vår tid och pengar åt att samla in data som gör skillnad. Om det redan finns många liknande datapunkter i vårt datasats, är det ingen mening att samla in och kommentera en som liknar dem. Istället kan man föredra att samla in data som lägger till ny "informationtt- ill det befintliga träningsdatasättet. I segmenteringsuppgiften kräver märkning av en bild ungefär en timme av människan. I detta forskningsprojekt stude- ras problemet med informativ datainsamling. Metoden kommer att användas för att samla in träningsdata för att träna en djup inlärningsbaserad semantisk segmenteringsalgoritm. För att minska kostnaden för att förbereda data är det ett brådskande behov att göra vårt nervnätverk att lära sig de mest informati- va uppgifterna. Jag undersöker metoden för att mäta informationen i data och bygger pipeline för att förbättra det neurala nätverkets prestanda i segmente- ringsuppgiften. Implementeringsdetaljer och aktuellt resultat kommer att pre-senteras