Methoden des Maschinellen Lernens, und insbesondere tiefe neuronale Netze, benötigen in der Regel große, annotierte Datensätze für das Training. Fehlerhafte Annotationen sind in diesen Datensätzen ein häufiges Vorkommnis. Daher ist es von großer Wichtigkeit, die Auswirkungen fehlerhafter Annotationen auf das fertig trainierte Modell einschätzen zu können. Zu diesem Zweck werden Benchmark-Datensätze entworfen und verwendet, um die Rolle fehlerhafter Annotationen in den Trainingsdaten auf die Performance tiefer neuronaler Netze empirisch nachzuvollziehen.
Laufzeit: 10/2019 - 10/2022
Partner: TUM - Data Science in Earth Observation
Ansprechpartner: Jonas Aaron Gütter