Ein adaptierbares Rahmenwerk für die Annotation von Skalar- und Vektorfelddaten

Abstract

Die manuelle Annotation von Skalar- und Vektorfelddaten zum Zwecke des überwachten maschinellen Lernens bedeutet einen hohen zeitlichen Aufwand. Zusätzlich verursachen die heute gängigen rechteckigen Selektionsregionen Ungenauigkeiten. Als Reaktion darauf wird ein System vorgestellt, das die Annotation mittels allgemeiner polygonaler Regionen ermöglicht. Es bietet die Möglichkeit, die Visualisierung der Skalar- bzw. Vektorfelder flexibel zu wechseln. Dazu wird ein entsprechendes Plugin-System realisiert. Ebenso ist es möglich, die Berechnungsmethode der Merkmalsvektoren schnell und einfach durch Plugins auszutauschen. Das Rahmenwerk unterstützt die Verwaltung von Annotationsprojekten. In Kombination mit dem Plugin-System für die Visualisierung der zu annotierenden Daten und die Generierung der Merkmalsvektoren ist ein flexibles und leistungsfähiges Rahmenwerk entstanden. Als theoretische Basis werden in dieser Arbeit einige maschinelle Lernverfahren und ihre Evaluation, Grundlagen der Merkmalsvektorkonstruktion und die Vektorfeldvisualisierung mit Line Integral Convolution eingeführt. Darauf folgt eine Beschreibung des entstandenen Systems und seine Auswertung, die den Vorteil der polygonalen Regionen gegenüber den Rechtecken belegen kann. Zum Schluss wird ein Ausblick auf mögliche Verbesserungen des Rahmenwerks gegeben. Manual annotation of scalar and vector field data for supervised machine learning causes a large temporal effort. Additionally, the rectangular regions which are popular for selection today are responsible for inaccuracies. As a reaction a system is introduced that enables annotation with arbitrary polygonal regions. It offers the option to flexibly substitute the visualization of the scalar or vector field. Therefor a corresponding plugin system is realized. Likewise it is possible to substitute the method of feature vector calculation fast and easily through plugins. The framework supports the management of annotation projects. In combination with the plugin system for data visualization and feature vector calculation a flexible and powerful was developed. As a theoretical base, several machine learning algorithms and their evaluation as well as the foundations of feature vector engineering and vector field visualization with line integral convolution are introduced. This is followed by a description of the system and its evaluation, which can verify the advantage of the polygonal regions over the rectangles. Finally an outlook on possible improvements of the framework is given.