Ein Überblick über anpassbare konventionelle Bildverarbeitungs-Pipelines und Deep Learning bei begrenzten Datensätzen

Zusammenfassung Das Ziel dieses Papiers ist es, die Auswirkungen von begrenzten Datensätzen auf Deep-Learning-Techniken und konventionelle Methoden in der semantischen Bildsegmentierung zu untersuchen und eine vergleichende Analyse durchzuführen, um das optimale Szenario für die Nutzung beider Ansätze zu bestimmen. Wir führen einen synthetischen Datengenerator ein, der es uns ermöglicht, die Auswirkungen der Anzahl der Trainingsmuster sowie der Schwierigkeit und Vielfalt des Datensatzes zu bewerten. Wir zeigen, dass Deep-Learning-Methoden hervorragend abschneiden, wenn große Datensätze verfügbar sind, während konventionelle Bildverarbeitungsansätze gut funktionieren, wenn die Datensätze klein und vielfältig sind. Da das Transferlernen ein gängiger Ansatz ist, um mit kleinen Datensätzen umzugehen, bewerten wir speziell dessen Auswirkungen und fanden nur marginale Auswirkungen. Darüber hinaus implementieren wir die konventionelle Bildverarbeitungspipeline, um eine schnelle und einfache Anwendung auf neue Probleme zu ermöglichen, was es leicht macht, konventionelle Methoden neben Deep Learning mit minimalem Overhead anzuwenden und zu testen.