监督学习下的建模过程，高质量的数据是构建好的模型的第一步。对于机器学习，包括了提取高质量的特征和标签的准确性；对于深度学习，则需确保标签的准确。
深度学习中的主要任务，包括分类、分割、检测，其首要任务均是对数据进行标注。分类是给样本标注类别标签，分割是给图像某个区域的所有像素点标注类别标签，检测是给图像中的目标，既标注类别标签，也标注目标的位置。数据标注过程的严谨性与标注结果的准确，决定了是否能够训练出更加优秀的模型。
关于如何提高对监督学习下的模型构建过程中的第一步——数据标注的工作质量，近期看了LandingAI的一篇post，给了较好的启发。
文章以缺陷检测为示例，总体从以下几个方面论述开来：
数据标注的说明
图像检测项目中数据标注的挑战：主要包括两点，缺陷样本较少，不同业务专家对缺陷的理解不同。譬如下图所示：
如何对不同达成共识：包括，缺陷说明书；机器学习（MLE）与业务专家（SME）对缺陷的定义一致；多个标注工程师同时对同一图像进行标注，选取达成一致的结果
最终标注过程所期望的结果，是达成共识而且没有争议的结果。
Reference
[1] https://landing.ai/data-labeling-of-images-for-supervised-learning/
