Label efficient approaches for classification tasks
Cyberagentur - Agentur für Innovation in der Cybersicherheit
04347 Leipzig
Bewerbungsfrist nicht angegeben
Beschreibung
- Label efficient approaches for classification tasksAbteilung: SchlüsseltechnologienReferat: Künstliche IntelligenzKontakt: bewerbung@cyberagentur.de Eine hohe Datenverfügbarkeit spielt bei der Entwicklung von Machine Learning Modellen eine entscheidende Rolle. Je besser diese Daten beschrieben und aufbereitet sind, desto wahrscheinlicher ist es, effiziente und akkurate Modelle zu erhalten. Insbesondere das Labeling von Daten, also die Zuordnung von Daten zu einer Klasse, ist ein zeit- und ressourcenintensiver Prozess, der insbesondere in überwachten Lernumgebungen zum Einsatz kommt. Um solche Lernverfahren zu optimieren, existieren label-effiziente Methoden, die den Labeling-Prozess minimieren und dennoch die Entwicklung von Machine Learning Modellen mit hoher Genauigkeit ermöglichen. Beispiele für diese label-effizienten Verfahren sind Semi-Supervised Learning (z.B. Pseudo-Labeling) oder das Self-Supervised Learning (z.B. SimCLR). Im Rahmen einer Masterarbeit soll untersucht werden, inwieweit sich solche label-effizienten Lernverfahren zur Anwendung auf ein spezifisches Image Classification Problem eignen. Dazu sollen SOTA-Technologien identifiziert, verglichen und in einen funktionsfähigen Prototypen für die Bildklassifikation überführt werden. Grundlage des angewandten Teils der Masterarbeit ist ein Datensatz, welcher Bilddaten unterschiedlicher Klassen militärischer Fahrzeuge umfasst und für eine exemplarische Implementierung der erarbeiteten Verfahren genutzt werden kann.
Aufgaben
- SOTA-Technologien identifizieren, vergleichen und in einen funktionsfähigen Prototypen für die Bildklassifikation überführen.
- Masterarbeitskontext: Untersuchung zur Anwendung von label-effizienten Lernverfahren auf ein spezifisches Image Classification Problem.
Ihr Profil
- Keine konkreten Anforderungen in der Ausschreibung angegeben.