Die wachsende Bedeutung von Deep Learning im Bereich der Computer Vision ist unbestreitbar. Deep Learning hat das Potenzial, die Art und Weise, wie wir an Bild- und Videoanalyse herangehen, zu verändern. Ein wichtiger Schritt in diese Richtung ist ein Projekt, das sich auf das effiziente und interaktive Training von Deep-Learning-Systemen konzentriert. Eine Architektur und ein Trainingsprozesses, der die Prinzipien des aktiven und halbüberwachten Lernens nutzt, ermöglicht die gezielte Auswahl von Trainingsdaten und die frühzeitige Nutzung von Wissensgewinnen im Trainingsprozess.

Das langfristige Ziel ist es, abzuschätzen, ob ein Modell in der Lage sein wird, die durch den Anwendungsfall definierten Anforderungen zu einem frühen Zeitpunkt des Trainingsprozesses zu erfüllen. Dafür könnte diese Methode einen bedeutenden Durchbruch in der Computer-Vision-Forschung darstellen.

The application of active and semi-supervised learning is a promising approach to reduce the required amount of training data and improve the learning speed of deep learning systems. Active learning selectively chooses training data by asking the model which data is most informative to achieve the greatest learning gain. Semi-supervised learning utilizes labeled and unlabeled data to improve the model. The model is encouraged to recognize and generalize patterns in the unlabeled data to make better predictions. Overall, this project is a promising step towards more efficient and interactive training of deep learning systems in computer vision research.