ECCVApr, 2020

SimAug：从模拟中学习鲁棒的轨迹预测表示

PDF
TL;DR本文使用 3D 仿真数据进行预测未来人物轨迹，提出了一种通过增加仿真数据以学习鲁棒表示的新方法，可以更好地推广到未见过的真实数据，并在三个真实世界基准下实现了有希望的结果并在 Stanford Drone 和 the VIRAT/ActEV 数据集中取得了最先进的表现。
predictiontrajectoriessimulation datageneralizationperformance
发现论文，激发创造
  • 基于增强现实的模拟数据（ARSim）与多视角一致性的自动驾驶感知网络

    为了增强自动驾驶系统的有效性，本文提出了 ARSim，一个全自动、综合和模块化框架，用于通过将 3D 合成对象与真实多视图图像数据相结合，来提高真实世界场景的多样性和覆盖范围。实验结果表明，在各种自动驾驶感知任务上，使用增强数据集训练的网络性能更优。

    Mar, 2024

  • 学习生成增强图像用于模拟到真实场景的策略迁移

    本文探讨在模拟环境中学习机器人操作策略的方法，通过使用深度图像数据的随机扩增策略，实现了在非真实场景下学习并获得了验证。

    Mar, 2019

  • 基于 Sim2real 转移学习的 3D 人体姿势估计：动作拯救

    通过提取运动信息（光流和二维关键点），我们展示了神经网络方法可以在仅使用 SURREAL 合成数据的情况下与最先进的基于真实 3D 序列训练的方法相媲美地从 3D 视角估计人体姿态。

    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

  • RSA: 用随机化模拟加强人类动作识别的鲁棒性

    本文提出了一种基于模拟数据的增强法，即随机模拟增强 (RSA) 框架，其通过合成数据来增强真实数据，提高行为识别网络的鲁棒性。实验表明，使用该增强法可以显著提高当前最先进的行为识别网络的性能或者减少所需真实数据的数量，从而使识别性能得到优化。

    Dec, 2019

  • ExAug: 通过几何经验增强的机器人导航策略

    本研究提出了一种新颖的框架 ExAug，通过利用点云来创造更复杂的结构增强，并利用机器学习中的生成图像和几何惩罚来帮助不同机器人平台进行新任务的训练，实现在不同环境中对新机器人平台的控制策略训练。

    Oct, 2022

  • Real-Aug: 用于 3D 对象检测的 LiDAR 仿真增强的真实场景合成

    本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

    May, 2023

  • 基因学习用于设计模拟到真实数据增强

    使用可解释的度量方法，结合遗传编程技术，预测适用于特定 sim-to-real 场景的数据增强策略，并在无需训练模型的情况下为特定数据集设计数据增强策略。

    Mar, 2024

  • 从未见过的视角识别动作的人造人类

    本研究旨在探讨合成人类能否提高人类动作识别的性能，特别关注对不寻常拍摄视角的泛化能力，研究发现数据的合成和扩充可以带来性能的提升。

    Dec, 2019

  • AUGCAL：通过不确定性校准增强合成图像以改善 Sim2Rreal 适应性

    通过使用强化视图和在对合成图片预测的过程中优化训练时间校准损失，AUGCAL 可提高基于合成数据适应模型的性能，并降低在真实应用中的过度自信和错误预测的错误率。

    Dec, 2023