Bildbehandling och effektiv representation av data för visuell maskininlärning

Inom området datorseende finns i dag inlärningsalgoritmer för maskininlärning med hög noggrannhet och prestanda. Det behövs dock stora mängder data för en effektiv inlärning. Vi undersöker nu möjligheten att använda och skapa realistiska syntetiska set av träningsdata. 

Dessutom undersöker vi variationer av abstrakta representationer av data för att ytterligare förstå hur data på olika abstraktionsnivåer påverkar inlärningen i djupa neurala nätverk.

Vi tittar också på hur detta kan användas både för att optimera genereringen av data och hur data används.

Länk till publikation 

Realistisk bildsyntes för visuell maskininlärning för förarlösa fordon (bild 1) tillsammans med abstraherad representation av data från samma vy (bild 2 och 3)

Illustration: 7D Labs. Bildbehandling och effektiv representation av data för visuell maskininlärning.
Illustration: 7D Labs. Bildbehandling och effektiv representation av data för visuell maskininlärning
Illustration: 7D Labs. Bildbehandling och effektiv representation av data för visuell maskininlärning.
Illustration: 7D Labs. Bildbehandling och effektiv representation av data för visuell maskininlärning
Illustration: 7D Labs. Bildbehandling och effektiv representation av data för visuell maskininlärning.
Illustration: 7D Labs. Bildbehandling och effektiv representation av data för visuell maskininlärning

Forskare
Visa/dölj innehåll

Extern samarbetspartner

Publikation är framtagen i ett samarbete med Magnus Wrenninge, 7D Labs . 

MIT-forskning inom WASP
Visa/dölj innehåll