Effiziente Annotation von Video-Daten

Daten-Annotation ist ein Schlüsselfaktor in jedem Machine-Learning- Projekt

Eine automatische Umgebungserfassung und -klassifizierung im Verkehrsbereich auf Basis von Video-Daten wird durch die Fortschritte im Bereich Deep Learning immer breiter und kostengünstiger anwendbar. Eine der Hauptadaptionshindernisse für KI-Verfahren ist die Herausforderung, gelabelte Beispieldaten zum Training der Modelle in ausreichender Qualität und Menge zur Verfügung zu stellen.

Daten-Annotation muss Domänen spezifisch erfolgen

Durch den Fokus auf Beispieldaten aus dem Verkehrsbereich, wie bsp. die Blechbeschilderung an Autobahnen, werden die Grundlagen für eine automatische und kosteneffiziente Umgebungserfassung und – klassifizierung im Verkehrsbereich gelegt.

In dem angestrebten Projektrahmen und Projektvolumen werden repräsentative Anwendungsfälle im Verkehrsbereich, wie die Annotation von Blechbeschilderung auf Autobahnen, ausgewählt, anhand derer iterativ eine Software zum effizienten Annotieren von Objekten auf Video- Daten entwickelt wird.

Open-Source-Software stellt eine breite, öffentliche Nutzbarkeit sicher

Mit der effizienten Annotation von Video-Daten schafft dieses Projekt eine Grundlage, damit KI als Schlüsseltechnologie im Verkehrsbereich optimal genutzt werden kann. Die Entwicklung als Open Source Software stellt sicher, dass die Ergebnisse in der breiten Öffentlichkeit angewendet werden können.

Weitere Informationen zum Projekt unter: https://www.palaimon.io

Über den mFUND des BMVI:

Im Rahmen der Forschungsinitiative mFUND fördert das BMVI seit 2016 Forschungs- und Entwicklungsprojekte rund um datenbasierte digitale Anwendungen für die Mobilität 4.0. Neben der finanziellen Förderung unterstützt der mFUND mit verschiedenen Veranstaltungsformaten die Vernetzung zwischen Akteuren aus Politik, Wirtschaft und Forschung sowie den Zugang zum Datenportal mCLOUD. Weitere Informationen finden Sie unter www.mfund.de."