Dec, 2017

使用虚拟图像进行物体检测器的训练和测试

PDF
TL;DR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。
computer visiondeep learningvirtual datasetobject detectorstraining
发现论文，激发创造
  • 虚拟到现实世界的视觉感知：基于领域自适应的方法（以 DPM 为例）

    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

  • 从 3D 模型学习深度物体检测器

    通过增加合成训练数据，使得含有 3D CAD 模型的深度卷积神经网络（DCNN）训练数据可以更好地适应目标领域，本文详细分析了在没有低级线索（纹理，姿态和背景）的情况下 DCNN 的学习能力，并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能，并且可以在 Office 基准测试中的域偏移场景中提高性能。

    Dec, 2014

  • 室内场景物体检测训练数据的合成

    本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

    Feb, 2017

  • 虚拟世界作为多对象跟踪分析的代理

    本研究运用计算机图形学的进展生成虚拟世界，实现了完全标记、动态、逼真的代理虚拟世界，并通过虚拟 KITTI 数据集提出了有效的现实世界克隆方法，通过该方法，可以提高深度学习算法预训练的性能。本研究进一步证明了虚拟世界可以测量各种天气和成像条件对识别性能的影响。

    May, 2016

  • 分析合成和真实数据对物体检测性能的影响：我们实际需要多少真实数据？

    本文探讨使用合成数据来代替真实数据训练深度网络的效果，分析有限真实数据的影响，使用模拟工具创建大量廉价注释合成数据，并提供设计方法论程序的见解。

    Jul, 2019

  • 增强现实与计算机视觉：城市驾驶场景的高效数据生成

    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

  • 在矩阵中驾驶：虚拟世界是否能取代人为生成的真实任务注释？

    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

  • 使用合成数据训练目标检测模型的分析

    本文研究使用合成数据进行物体检测的方法及其性能，实验结果给出了使用合成数据的基本指导原则，并对比了不同训练技术。

    Nov, 2022

  • 用于开发和基准测试主动视觉的数据集

    该论文使用真实影像，聚焦日常室内环境下机器人视觉任务的模拟，构建新的公共数据集。该数据集可用于机器人视觉任务中的物体检测、主动视觉模拟和基于深度学习的强化学习下的下一步动作预测。在使用数据集的过程中，作者发现现有物体检测研究最大的问题是机器人视角对物体尺度，遮挡和方向的影响。

    Feb, 2017

  • 一个注释保存就是一个注释赚到手：使用全合成训练进行对象实例检测

    本文提出了一种全新的方法来创造纯合成训练数据，通过利用大量的 3D 背景模型和完全领域随机化的方法得到逼真的背景图像，并使用 “课程策略” 来生成所有前景模型，从而得到最佳的训练样本。使用 64 个商品对象进行实验，表明我们的简单方法可以训练出优于实际数据的检测器。

    Feb, 2019