Oct, 2018

结构化领域随机化：通过上下文感知的合成数据弥合现实差距

PDF
TL;DR介绍了一种结构化领域随机化方法，将对象和干扰因素随机放置并生成图像以使神经网络考虑对象周围的上下文，可通过使用合成数据来训练在真实数据上获得良好表现的 2D 边界框车辆检测神经网络。
structured domain randomizationneural network2d bounding boxcar detectionsynthetic data
发现论文，激发创造
  • 使用合成数据训练深度网络：通过域随机化缩小现实差距

    该研究提供了一种基于合成图像训练深层神经网络对象检测的系统，并探讨了领域随机化技术的重要性及其在检测 KITTI 数据集上的应用。

    Apr, 2018

  • 照片逼真的神经域随机化

    本文提出一种基于神经网路的实验数据生成方法，通过不同的网络模块随机组合生成高质量的逼真图像，应用于对象检测和单目深度估计等领域，在实现真实世界转化时，性能明显优于目前主流的方法。

    Oct, 2022

  • 野外三维形状重建的目标中心域随机化

    通过领域随机化技术，我们提出了 ObjectDR 方法，通过对物体外观和背景进行随机模拟的方式，通过条件生成模型生成符合特定空间条件的图像，并通过预训练改进了现有的三维形状重建模型。

    Mar, 2024

  • 域随机化：从仿真到真实世界的深度神经网络转移

    探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。

    Mar, 2017

  • 在生产环境中构建综合数据以弥合仿真与真实世界之间的差距

    合成数据用于训练深度神经网络在计算机视觉应用中的重要性，重点探讨了在生产环境中使用的合成数据生成过程以及通过不同组合方法在减少仿真与现实差距方面的改进。

    Nov, 2023

  • 在杂乱的工业环境中应用领域随机化生成合成多模态手部实例分割数据集

    使用域随机化生成合成的 RGB-D 数据集，用于训练多模式实例分割模型，旨在实现颜色不可知的手定位，以应对杂乱的工业环境。使用多模态输入，包括颜色和深度信息，可以提高模型预测的准确性，并且该方法已经实现了比现有最先进数据集训练出来的模型具有更好的精度和概率检测质量。

    Apr, 2023

  • 随机化以推广：用于跑道上异物检测的领域随机化

    通过使用合成随机化图像增强的二阶段方法（SRIA），该研究提出了一种改进二维数据集模型泛化能力的新方法，特别是对于低分辨率的实际应用场景下的小物体检测，有效地提高了检测准确性。

    Sep, 2023

  • 频率空间域随机化 —— 域泛化

    本文提出了一种基于频率空间领域随机化的方法（FSDR），通过将图像分解成不变频率成分（DIFs）和变异频率成分（DVFs）进行随机化，实现了更可控的域随机化过程，并在多个领域泛化任务上展示了优异的分隔性能。

    Mar, 2021

  • 领域随机化和金字塔一致性：无需访问目标域数据的模拟到实际泛化

    本文提出一种使用模拟技术进行自动驾驶场景语义分割的方法，通过域泛化的方式进行测试并实现了高度通用性，其中使用了域随机化和金字塔一致性两种技术，实现了域不变的特征表示。经过在 GTA，SYNTHIA 到 Cityscapes，BDDS 和 Mapillary 的广泛实验，本方法在一些状态和最先进的仿真转现领域自适应方法的测试结果表明，本方法实现了有竞争力、甚至优于其他方法的结果。

    Sep, 2019

  • 基于 Blender 的合成数据在裸眼监督学习和下游领域自适应中的实用性新基准

    本论文介绍了一种使用 3D 渲染和域随机化技术生成合成数据的方法，探究了深度学习和领域适应的相关理论和新发现，并利用模拟到现实的适应性作为下行任务，证明了合成数据预训练也有助于提高实际测试结果。最后，作者们发展了一个新的大规模合成到实际（S2RDA）图像分类基准，提供了更具挑战性的从模拟到现实的转移。

    Mar, 2023