Les modèles d’apprentissage profonds ont révolutionné la vision par ordinateur. Cependant, ils requièrent une forte quantité de données annotées avec précision afin de pouvoir convenablement « apprendre » à résoudre une tâche donnée. En particulier, la segmentation sémantique, consistant à prédire la classe sémantique de chacun des pixels présents dans une image, est une tâche centrale en vision par ordinateur et est utilisée dans plusieurs industries critiques (incluant l’imagerie médicale, les voitures autonomes etc..).
Cependant, obtenir des annotations de qualité pour entrainer les modèles d’apprentissage à résoudre cette tâche requiert des efforts humains et financiers considérables. Par exemple, segmenter tous les organes présents dans toutes les coupes 2D d’un scanner de patient peut prendre jusqu’à une heure pour un expert radiologue, et ainsi coûter plusieurs centaines de dollars. Par conséquent, automatiser le processus d’annotation afin de le rendre plus efficace et moins fastidieux pour l’annotateur est un enjeu majeur de démocratisation de l’IA. Afin d’adresser ce challenge, nous nous proposons de développer une interface graphique permettant de réaliser des annotations de manière semi-automatisée.