Overview of computer vision supervised learning techniques for low-data training

Abstract

In the age of big data and machine learning the costs to turn the data into fuel for the algorithms is prohibitively high. Organizations that can train better models with fewer annotation efforts will have a competitive edge. This work is an overview of techniques of varying complexity and novelty for supervised, or rather weakly supervised learning for computer vision algorithms. The paper starts describing various methods to ease the need for a big labeled dataset with giving some background on supervised, weakly-supervised and then self-supervised learning in general, and in computer vision specifically. The paper describes the importance of these methods in fields such as medical imaging and autonomous driving.

În epoca Big Data și a învățării automate devine tot mai costisitor de a converti datele în combustibil pentru algoritmi. Organizațiile ce sunt capabile de a crea modele algoritmice mai performante ce pot adnota datele cu efort minim față de concurenți au un avantaj competitiv major. Lucrarea dată prezintă un ansamblu de tehnici de complexitate și noutate variabilă pentru algoritmi cu învățare supervizată pentru probleme de vedere artificială. Articolul începe cu descrierea diferitor metode ce pot ușura necesitatea de a avea un set mare de date adnotate prin prezentarea câtorva tehnici bazate pe învățare supervizată, semi-supervizată și auto-supervizată. Ulterior sunt descrise diferite seturi de date tradițional utilizate pentru a estima performanța acestor algoritmi. Pe parcurs articolul descrie importanța acestor metode pentru asemenea domenii ca imagistica medicală și conducere autonomă.