Mejora de la eficiencia en la obtención de datos etiquetados para el deep-learning: aplicación a imágenes submarinas

Abstract

[spa] Etiquetar imágenes es un reto en el campo del aprendizaje automático, no por su dificultad, sino por la cantidad de datos de entrenamiento necesarios para obtener resultados satisfactorios. En este trabajo de final de máster presentamos y desarrollamos una solución a este problema en forma de un generador semiautomático de datos de entrenamiento a partir de unas pocas anotaciones manuales. En particular, nuestro sistema permite obtener anotaciones en formato de máscaras de segmentación a partir de los cuadros que delimitan los objetos de interés (las bounding boxes). Hemos estudiado el rendimiento del sistema propuesto, su eficiencia y diferentes configuraciones del mismo. Además, hemos comprobado el funcionamiento de nuestra solución usando modelos de segmentación de instancias entrenados con diferentes proporciones de datos generados con nuestro sistema. También hemos explorado la posibilidad utilizar nuestro sistema combinado con un detector de objetos, como alternativa al uso de redes de segmentación de instancias. Los experimentos realizados nos permiten concluir que la solución propuesta acelera el proceso de entrenamiento de redes de segmentación de instancias con resultados relativamente buenos, y que la combinación de anotaciones manuales y semiautomáticas permite alcanzar rendimientos elevados con tiempos de entrenamiento reducidos.

[eng] Image labeling is a challenge in the field of machine learning, not because of its difficulty but because of the amount of training data required to obtain satisfactory results. In this master’s thesis we present and develop a solution to this problem in the form of a semi-automatic generator of training data from a few manual annotations. In particular, our system allows us to obtain annotations in the format of segmentation masks from the boxes that delimit the objects of interest also known as bounding boxes. We have studied the performance of the proposed system, its efficiency and different system configurations. We have also tested the performance of our solution using instance segmentation models trained with different proportions of data generated with our system. We have also explored the possibility of using our system combined with an object detector, as an alternative to the use of instance segmentation networks. The experiments performed allow us to conclude that the proposed solution accelerates the training process of instance segmentation networks with relatively good results, and that the combination of manual and semiautomatic annotations allows achieving high performances with reduced training times.