Towards Learning Object Detectors with Limited Data for Industrial Applications
Abstract:
In dieser Dissertation werden drei neuartige Generalized FSOD (G-FSOD)-Ansätze vorgestellt, die das Vergessen von zuvor gelernten Klassen beim Lernen neuer Klassen mit begrenzten Daten minimieren. Die ersten beiden Ansätze reduzieren das Vergessen von Basisklassen, wenn diese während des Trainings noch verfügbar sind. Der dritte Ansatz, für Szenarien ohne Basisdaten, nutzt Wissensdestillation, um den Wissenstransfer zu verbessern.
Abstract (englisch):
In this dissertation, three novel Generalized Few-Shot Object Detection (G-FSOD) approaches are presented to minimize the forgetting of previously learned classes while learning new classes with limited data. The first two approaches reduce the forgetting of base classes if they are still available during training. The third approach, for scenarios without base data, uses knowledge distillation to improve the knowledge transfer.
| Zugehörige Institution(en) am KIT | Institut für Anthropomatik und Robotik (IAR) |
| Publikationstyp | Hochschulschrift |
| Publikationsjahr | 2025 |
| Sprache | Englisch |
| Identifikator | ISBN: 978-3-7315-1389-6 ISSN: 1866-5934 KITopen-ID: 1000174849 |
| Verlag | KIT Scientific Publishing |
| Umfang | XVI, 232 S. |
| Serie | Schriftenreihe Automatische Sichtprüfung und Bildverarbeitung ; 23 |
| Art der Arbeit | Dissertation |
| Fakultät | Fakultät für Informatik (INFORMATIK) |
| Institut | Institut für Anthropomatik und Robotik (IAR) |
| Prüfungsdaten | 28.06.2024 |
| Prüfungsdatum | 28.06.2024 |
| Schlagwörter | Tiefes Lernen, Computer Vision, Objekt-Erkennung, Optische Inspektion, Few Shot Learning, Deep Learning, Computer Vision, Object Detection, Optical Inspection, Few Shot Learning, |
| Nachgewiesen in | OpenAlex |
| Relationen in KITopen | |
| Globale Ziele für nachhaltige Entwicklung | |
| Referent/Betreuer | Beyerer, Jürgen Yang, Bin |