A gépi látás, különösen a képi objektumfelismerés területén az utóbbi években rohamosan hódítanak tért a minta alapú gépi tanulás statisztikai módszerein alapuló eljárások szemben a klasszikus képfeldolgozási algoritmusokkal. A skálázható adattárolás és számítási kapacitások gyakorlatilag minden fejlesztő számára elérhetővé teszik ezen megoldásokat, melyekkel látványos sikereket lehet elérni. Képi objektum detektáló és felismerő modellek készítése már nem csak a technológiai óriások (Microsoft, Google, Amazon, stb…) kiváltsága, a gépi tanulást megvalósító keretrendszerek, algoritmusok egyre könnyebben hozzáférhetőek.
Ennek ellenére, néhány szabadfelhasználású kezdeményezéstől eltekintve kellő mennyiségű tanítóadat összegyűjtése a legtöbb esetben problémát okoz. A gépi tanulás sikerei mögött minden esetben meghúzódik az adatgyűjtés alapossága. Kellő mennyiségű és variabilitású tanító minta nélkül nem működnek az eljárások az elvárt szinten. Ez a mennyiség néha milliós elemszámot jelent. Sokan hajlamosak elfeledkezni arról, hogy mennyire fontos a jó minőségű, manuálisan feldolgozott, címkézett képi adatbázis. Ehhez szükség van az adatgyűjtés megszervezésére és ún. objektum annotáló (bejelölő, címkéző) szoftverek ergonomikus használatára. Az utóbbi esetében a hatékonyság, skálázhatóság és az egyszerű kezelhetőség a legfontosabb szempontok. Még nem született olyan “végső megoldás”, amely ezeket az igényeket maradéktalanul kielégítené.
A K+F tevékenységünk célja egy olyan webes szolgáltatás alapú képi objektum annotátor környezet létrehozása, mely intelligens eszközökkel könnyíti meg a képi objektumok címkézését, és nem igényel fejlesztői szakértelmet.