Apr, 2018

行人合成 GAN：在实景及更多场景下生成行人数据

PDF
TL;DR本文提出了使用生成对抗网络（GAN）与多个辨别器结合的方法，生成大量逼真的行人图像并应用到行人检测任务中，证明通过添加合成数据可以显著地提高检测器的性能。
pedestrian detectionannotationgenerative adversarial networkdiscriminatorssynthetic data
发现论文，激发创造
  • ParGANDA: 实现物体检测中合成行人的现实

    使用生成对抗网络 (GAN) 以解决真实与合成数据之间的领域差异，提高物体检测的性能，尤其针对行人检测，在不需要真实标签的情况下生成真实样本，适用于各种下游任务。

    Jul, 2023

  • 使用一系列的 GAN 生成合成图像进行行人检测

    提出一种新颖的图像生成流水线，其中包括三种不同的生成对抗网络，以增加行人检测的数据集，尽管生成的图像不总是对人眼视觉上愉悦的，但我们的检测基准显示结果明显超过基准线。

    Jan, 2024

  • 基于 GAN 场景合成的跨场景视频领域自适应人物搜索

    通过使用生成对抗网络，本研究设计了一种生成高质量跨身份场景合成的模型，用于人物搜索任务，实验证明该方法能够有效增加数据集的多样性和真实性。

    Aug, 2023

  • 社交方式：使用 GAN 学习行人轨迹的多模态分布

    本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

    Apr, 2019

  • 训练探测器以检测异常行人，利用对抗性 imposters 技术

    通过使用生成对抗网络（GAN）生成大规模合成数据集并训练辨别分类器，使得数据可以更好地匹配真实场景中的 “危险行人”，并可以应用于 “尾部场景” 的验证和排名算法，解决了现实场景中 “危险行人” 数据收集不足的问题。

    Mar, 2017

  • MOTSynth: 如何利用合成数据提高行人检测和跟踪的效果？

    使用渲染游戏引擎生成大量高度多样化的合成数据集 MOTSynth，可以在多人跟踪、行人检测、再识别和分割等任务中取代实际数据并取得良好的性能。

    Aug, 2021

  • 扩散式数据集生成：缩小行人检测 Sim2Real 差距的步伐

    该研究提出了一种使用扩散模型增强模拟数据集的方法，以改善行人检测在现实世界数据中的性能，并使用扩散基础架构来生成具有真实分布的数据集，以填补模拟数据和真实数据之间的差距，通过使用生成数据与模拟数据进行的训练可以将行人检测模型在真实数据中的平均精度提高 27.3%。

    May, 2023

  • 行人意图预测的合成数据生成框架、数据集和高效深度模型

    为了实现安全和舒适的驾驶操控，行人意图预测对于自动驾驶至关重要。本研究提出了一个名为 ARCANE 的框架，可以通过生成 C/NC 视频段样本的方式来解决现有数据集中缺乏多样性的问题。同时，还介绍了一个名为 PedSynth 的大型多样化数据集，该数据集补充了常用的真实世界数据集，例如 JAAD 和 PIE，以改进 C/NC 预测模型的准确性。考虑到 C/NC 预测模型在车载环境中的部署，研究还提出了一种名为 PedGNN 的深度模型，该模型速度快、内存占用低，基于 GNN-GRU 架构，以行人骨架序列作为输入来预测过马路的意图。

    Jan, 2024

  • 基于数据驱动但注重隐私保护的完整身体人物综合征解除行人数据的身份

    介绍了一个名为 PDI 的任务，以评估指定去身份识别方法的去身份化程度和下游任务训练绩效，提出了基于生成对抗网络的全身去身份化方法，展示了该方法对乘客识别、探测和跟踪模型的应用及其可行性

    Jun, 2023

  • 城市数据集增强的人造人偶技术

    本文提出了一种数据增强方法 (DummyNet)，通过对城市场景中的人的姿态、外貌和目标背景场景进行解缠，从而生成不同姿态、外貌、嵌入不同背景场景，具有足够多的人的图像数据集合。DummyNet 不仅在各种数据集上提高了现有行人检测器的性能，而且在夜间条件下也表现出很好的性能，能够为驾驶应用程序的开发和测试提供重要组成部分。

    Dec, 2020