Sichtbarmachung und Bewältigung realer Annotationsvariation in KI-gestützter Bildanalyse

• Antragsteller: Professor Dr.-Ing. Volker Rodehorst
• Fachliche Zuordnung: Konstruktiver Ingenieurbau, Bauinformatik und Baubetrieb
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556314568

Mit fortschreitender Digitalisierung ist es von großer Bedeutung, dass wir den in der Praxis eingesetzten Systemen vertrauen können, insbesondere bei der Prüfung kritischer Infrastrukturen wie Brücken. Überwachte maschinelle Lernverfahren hängen entscheidend von der Qualität der verwendeten Daten ab. Große Modelle benötigen umfangreiche und qualitativ hochwertige Daten, um effektiv trainiert werden zu können. Sind die Daten unzureichend oder von schlechter Qualität, lernen die Modelle fehlerhafte Informationen, was ihre praktische Anwendbarkeit erheblich einschränkt. Annotationsvariationen (AV) sind ein wichtiges Problem bei der Schadenserkennung. Sie umfassen Unsicherheiten und Fehler, die während des Annotationsprozesses entstehen und von den neuronalen Netzen übernommen werden. Dies führt zu einer Überanpassung der Modelle an diese Fehler, was ihre Leistung und Zuverlässigkeit verringert. AV können in verschiedenen Formen auftreten: unterschiedliche Interpretationen der Schadensabgrenzung, Inkonsistenzen zwischen Annotatoren bei der Klassifizierung, Übersehen von Schäden, Markierung von Bereichen ohne tatsächliche Schäden und andere Fehlinterpretationen. Diese Variationen ergeben sich aus der Komplexität der Schadensbilder und der Herausforderung, eindeutige Annotationsrichtlinien zu definieren. Das Ziel von VarInSightAI ist die Untersuchung und Bewältigung der Auswirkungen von AV auf die Schadensdetektion. Dies beinhaltet die Identifizierung, Quantifizierung, Analyse der Auswirkungen und Korrektur von AV. Darüber hinaus wird ein Datensatz mit minimalen AV erstellt und es werden Methoden zum Umgang mit AV während des Trainings und der Evaluation entwickelt. Diese Ansätze zielen darauf ab, die Zuverlässigkeit und Genauigkeit maschineller Lernmodelle zu verbessern, insbesondere in kritischen Anwendungen wie der Bauwerksüberwachung.

• DFG-Verfahren: Sachbeihilfen