技術簡介
以主動式學習技術篩選高品質標記資料,可大幅減少深度學習訓練資料數量,並維持模型準確率,以減少資料標記人力。
Abstract
Using active learning technology to screen high-quality labeled data can greatly reduce the amount of deep learning training data and maintain the accuracy of the model to reduce data labeling labor.
技術規格
•可應用於監督式深度學習應用案例,減少訓練資料。
•利用最小信心度選擇法選擇出具代表性之資料由人標記。
•可提供Windows.NET、Windows DLL與Linux等平台之模組,容易整合至系統中。
Technical Specification
•Can be applied to supervised deep learning application cases to reduce training data.
•Use the Least Confidence strategy to select representative data to be labeled by people.
•Support Windows.NET, Windows DLL and Linux OS, greatly facilitate system integration.
技術特色
在深度學習的應用中導入主動式學習技術,透過電腦自動篩選出具有特徵的影像資料後再讓人員進行標記;不但可減少一半以上之標記資料,以降低資料標記人力外,還可維持模型的準確度,加快深度學習技術於產業應用之導入。
應用範圍
自動光學檢測、機器人視覺、文件辨識、警政監控視訊分析、工廠人員監控應用等。
接受技術者具備基礎建議(設備)
含NVIDIA 1080 GPU以上之個人電腦或伺服器。
接受技術者具備基礎建議(專業)
需熟悉及機器學習演算法知識之相關人才。
聯絡資訊
聯絡人:徐新怡 智慧分析技術組
電話:+886-3-5914757 或 Email:joycehsu@itri.org.tw
客服專線:+886-800-45-8899
傳真:+886-3-5910257