Semi-Automated Labeling in the Domain of Bloom Segmentation

Abstract

Supervised machine learning has experienced rapid growth in recent years, becoming increasingly relevant to various aspects of our lives. However, one of the significant challenges in this domain is the need for labeled data. Traditional data labeling methods involve substantial manual effort, which can be tedious and resource-intensive. This thesis aims to solve this problem by adapting a semi-automated labeling framework to partially automate the data labeling process. The focus is on implementing and testing the framework for the area of semantic segmentation. The results show that the adapted framework does not achieve the same results as the original paper. The adjustments lead to the appearance of the problem of catastrophic forgetting, which could not be solved with clearly positive results within the scope of this work. After a lot of manual work and many training runs, the framework does not achieve better results than the standard U-Net training after the same number of epochs.

Machine Learning hat in den letzten Jahren ein rasantes Wachstum erfahren und wird zunehmend zu einem festen Bestandteil unseres Lebens. Eine der größten Herausforderungen im Bereich des Supervised Machine Learning ist der hohe Bedarf an gelabelten Daten. Herkömmliche Methoden des Datenlabelns erfordern einen erheblichen manuellen Aufwand, der mühsam und ressourcenintensiv ist. Diese Arbeit zielt darauf ab, dieses Problem durch die Adaption eines semi-automatisierten Labeling-Frameworks zu lösen, welches den Datenlabelingprozess teil-automatisieren soll. Der Fokus liegt auf dem Implementieren und Testen des Frameworks für den Bereich der semantischen Segmentierung. Die Ergebnisse zeigen, dass das angepasste Frameworks nicht die gleichen Ergebnisse erzielt wie das originale Paper. Die Anpassungen führen zum Auftreten des Problems des catastrophic forgetting, welches im Rahmen dieser Arbeit nicht mit klar positiven Ergebnissen gelöst werden konnte. Das Framework erzielt nach viel manueller Arbeit und vielen Trainingsdurchläufen keine besseren Ergebnisse als das Standard U-Net Training nach der gleichen Anzahl an Epochen.