AAAIDec, 2020

城市数据集增强的人造人偶技术

PDF
TL;DR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。
pedestrian detectordata augmentationdummynetposenight-time conditions
发现论文，激发创造
  • 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

  • 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

  • 多样化的合成数据中的人体姿态对于航空视角人体检测的作用

    我们提出了一个用于多样化合成数据集中人体姿势的框架，该框架利用姿势生成器构造一组新颖的姿势，并使用图像翻译器改变现有合成数据集中的图像以呈现新颖的姿势，同时保持原始风格。通过实验证明，无论合成数据如何被用于训练，以及数据规模如何，利用多样化的合成数据集进行训练都比在少样本情况下使用原始合成数据集对于三个航拍人体检测基准（VisDrone，Okutama-Action 和 ICG）的准确性通常明显更好。

    May, 2024

  • 姿态和光照不变人脸识别数据增强

    本文提出了一种方法，在不修改深度神经网络本身的结构下，通过半合成图像增加深度学习模型对于姿势和光照变化的适应能力，从而提升了现代人脸识别系统在具有挑战性的 IJB-A 数据集上的识别性能。

    Apr, 2017

  • 利用合成人类进行训练学习

    本研究探索了使用全合成或合成增强真实数据的两种方法来解决多人二维姿势估计的问题，并研究了哪种方法更好地推广到真实数据，以及虚拟人物在训练损失中的影响。通过使用增强数据集，且不考虑训练损失中的合成数据，可以得到最佳结果。该研究还使用对抗性师生框架，发现不是所有的合成样本对训练都有同样的信息量，且信息量会随着训练阶段的不同而发生变化。

    Aug, 2019

  • 行人合成 GAN：在实景及更多场景下生成行人数据

    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。

    Apr, 2018

  • 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

  • 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

  • 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

  • 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