elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

An Approach for Fusing Two Training-Datasets with Partially Overlapping Classes

Niemeijer, Joshua und Srinivas, Gurucharan und Leich, Andreas und Battistella, Federico (2023) An Approach for Fusing Two Training-Datasets with Partially Overlapping Classes. In: 17th IEEE International Conference on Semantic Computing, ICSC 2023. 17th International Conference on Semantic Computing (ICSC), 2023-02-01 - 2023-02-03, Laguna Hills, CA, USA. doi: 10.1109/icsc56153.2023.00017. ISBN 978-166548263-9.

[img] PDF - Nur DLR-intern zugänglich
2MB

Kurzfassung

Supervised deep learning techniques in image processing require training data, typically consisting of manually labeled ground truth annotations. Since manual labeling is costly, using as many existing training datasets as possible is necessary. This paper introduces a novel approach for combining training datasets into a new one. The naive approach to this is a plain concatenation of the existing datasets. However, this approach fails with partially overlapping datasets when certain annotated instances specific to one dataset also appear in the other dataset without their annotations. Therefore, we present a novel method for combining existing training datasets using a pseudo-labeling technique with uncertainty quantification. The effectiveness of our method is evaluated by fusing two datasets consisting of partially overlapping traffic sign annotations in street view images. The results demonstrate that the pseudo-labeling errors weigh less than those introduced by the naive fusion. Furthermore, our work provides evidence for practitioners to use a pseudolabeling-based fusion technique with uncertainty quantificationrather than naively combining training datasets into a new one.

elib-URL des Eintrags:https://elib.dlr.de/198542/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:An Approach for Fusing Two Training-Datasets with Partially Overlapping Classes
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Niemeijer, JoshuaJoshua.Niemeijer (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Srinivas, GurucharanGurucharan.Srinivas (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Leich, Andreasandreas.leich (at) dlr.dehttps://orcid.org/0000-0001-5242-2051148334099
Battistella, FedericoNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2023
Erschienen in:17th IEEE International Conference on Semantic Computing, ICSC 2023
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.1109/icsc56153.2023.00017
ISBN:978-166548263-9
Status:veröffentlicht
Stichwörter:Dataset Fusion, Traffic Sign detection, Deep Learning, Uncertainty Quantification, Pseudo-Labeling
Veranstaltungstitel:17th International Conference on Semantic Computing (ICSC)
Veranstaltungsort:Laguna Hills, CA, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:1 Februar 2023
Veranstaltungsende:3 Februar 2023
Veranstalter :IEEE
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Straßenverkehr
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V ST Straßenverkehr
DLR - Teilgebiet (Projekt, Vorhaben):V - KoKoVI - Koordinierter kooperativer Verkehr mit verteilter, lernender Intelligenz
Standort: Berlin-Adlershof , Braunschweig
Institute & Einrichtungen:Institut für Verkehrssystemtechnik
Institut für Verkehrssystemtechnik > Kooperative Systeme, BS
Institut für Verkehrssystemtechnik > Informationsgewinnung und Modellierung, BA
Hinterlegt von: Niemeijer, Joshua
Hinterlegt am:08 Dez 2023 14:43
Letzte Änderung:04 Nov 2024 15:28

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.