虚拟世界作为多对象跟踪分析的代理
这篇研究论文提出了一种使用仿真引擎产生的合成注释数据的方法,以训练机器学习算法。通过在丰富的虚拟环境中训练机器学习算法来实现对真实世界中的物体的分类,为实现自动驾驶汽车等基于传感器分类问题的深度学习应用提供了可能性。
Oct, 2016
该研究在计算机视觉领域采用虚拟场景设计与自动图像生成的方法,建立了一个可用于多种计算机视觉任务的虚拟数据集 ParallelEye,并证明了将其与实际数据结合使用可以显著提高模型的性能。同时,该研究还通过测试虚拟数据集的方法发现了已训练模型的缺陷。
Dec, 2017
本研究探讨了结合实际图片和虚拟对象的增量学习方法,通过少量用户交互的方式,将虚拟对象添加到实际图片中,从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明,增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。
Aug, 2017
在本文中,作者探讨了利用虚拟现实场景自动标注物体,再通过有监督学习以及域适应解决物体检测问题的方法, 并以汽车检测为例,研究了来自虚拟世界和真实世界的数据在物体外观及逆迁移效果上的异同。
Dec, 2016
我们展示了一种虚拟现实工具,利用手势和运动自动将数据输入分配到不同类别,实现了深度神经网络在透明度方面的可视化和加速了最终用户开发深度学习应用的过程。
May, 2023
为解决机器人虚拟世界到真实世界的迁移问题,本文提出了一种基于模块化架构、采用语义图像分割作为元表示的深度强化学习方法,实现了 RGB 图像到语义图像段转换。实验结果表明,该架构在避障和目标跟踪任务中表现优异,并在虚拟和真实环境中均明显优于基准方法。
Feb, 2018
研究利用合成数据半自动化创建数据集并将其应用于对象视角估计这一重要任务,使用最先进的渲染软件在视点空间中密集地呈现图像,研究渲染参数对估计性能的影响,并表明合成数据的泛化不比两个真实图像数据集之间的领域适应更困难,并且将合成图像与少量真实数据结合使用可以提高估计准确性。
Mar, 2016
介绍了利用计算机图形学技术创建虚拟世界的方法和困难,详细介绍了基于游戏资源的虚拟世界构建方法和拓展工具 UnrealCV,并给出了两个应用实例:基于虚拟世界的证明性图像数据集和测试深度学习算法。
Sep, 2016
本文介绍了一种系统性的方法来生成高度逼真、注释的合成数据,以用于计算机视觉任务的深度神经网络的训练。该方法的主要贡献是一种程序性的世界建模方法,能够产生高度可变性和物理准确性的图像合成,并且它是从手工建模的虚拟世界和在实时应用中使用的近似图像合成方法中脱颖而出的。我们的方法的优点包括灵活性、物理精确性、可扩展的图像合成、隐式广泛的类和特征覆盖以及完整的数据自检测以进行注释,所有这些都有助于质量和成本的效率。在本文中,我们以自动驾驶车辆和机器人导航的语义分割为主要应用,使用合成数据对多个深度学习体系结构进行了训练和微调。评估表明,我们的方法提高了神经网络的性能,即使是适度的实施工作也能产生最先进的结果。
Oct, 2017