UnrEAL - Unsicherheitsquantifizierung und effiziente Annotationsprozesse für Deep Learning

Abstract

Das Projekt UnrEAL untersuchte, wie Unsicherheitsinformationen in Deep-Learning-Modellen systematisch erfasst, interpretiert und nutzbar gemacht werden können, um die Zuverlässigkeit moderner KI-Systeme zu erhöhen. Auf dieser Grundlage wurden Methoden des aktiven Lernens zur effizienteren Annotation von Trainingsdaten sowie Verfahren zur automatisierten Erkennung und Korrektur fehlerhafter Labels entwickelt. Die Ergebnisse leisten einen Beitrag zur Entwicklung transparenter, robuster und datenökonomischer KI-Methoden, insbesondere für sicherheitskritische Anwendungsfelder wie autonome Systeme und industrielle Bildverarbeitung.