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

Feb, 2019

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

An Annotation Saved is an Annotation Earned: Using Fully Synthetic Training for Object Instance Detection

Stefan Hinterstoisser, Olivier Pauly, Hauke Heibel, Martina Marek, Martin Bokeloh

TL;DR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。

Abstract

deep learning methods typically require vast amounts of training data to reach their full potential. While some publicly available datasets exists, domain specific data always needs to be collected and manually l

deep learning synthetic data object detection curriculum strategy training

发现论文，激发创造

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

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

用强基准方法改进合成数据上的目标检测训练

我们提出了一种在合成数据上训练预训练目标检测器的方法，通过提取合成数据的显著信息并保留在真实图像上预训练的有用特征，结合数据增强方法和 Transformer 骨干网络，我们在 RarePlanes、DGTA-VisDrone 数据集上改进了合成数据训练的目标检测技术，并在公司内部车辆检测数据集上达到近乎完美的性能。

May, 2024

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

城市场景语义分割中合成数据的有效使用

本文提出了一种无需真实图像数据的方法，通过修改前景和背景类的训练方法来适应合成图像，有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。

Jul, 2018

通过使用模拟数据来减少数据采集和标记以进行缺陷检测

使用合成数据与未标注的真实数据进行训练可在较低成本下实现与标注真实数据相媲美甚至更好的缺陷检测结果。

Jun, 2024

将域随机化应用于合成数据以进行目标类别检测

本文探讨了在具有特定应用领域的少量标记图像的情况下，使用人工合成的数据可以更好地代替 fine-tune 预训练网络，并展示了随机化流程中不同组件的个体贡献。

Jul, 2018

使用合成训练数据和真实训练数据时的物体探测器差异

通过对真实数据和合成数据进行 YOLOv3 物体检测器的训练，并使用层面对齐（CKA）进行相似性分析，本文揭示了训练合成数据如何影响每个层以及复杂神经网络的内部运作方式。结果表明，真实数据和合成数据训练的检测器在早期层面具有最大的相似性，而在头部部分具有最大的差异。此外，结果还表明，在冻结和非冻结骨干之间没有明显的性能或相似性差异。

Dec, 2023

简单剪贴与学习：惊人易用的实例检测综合

本文提出一种简单的方法，通过数据合成技术来生成大规模、带注释的数据集，从而避免因缺乏原始数据而导致检测模型性能下降的问题，并表明该方法的使用可以提高模型的性能和泛化能力。

Aug, 2017

合成数据用于多物体抓握中的快速注释和鲁棒分割

本研究提出了一种合成数据生成方法，结合小规模真实数据集，通过生成的合成场景数据和深度信息，训练出在物体识别、姿态估计和图像分割等方面表现优越的机器人抓取算法。

Jan, 2024