Feb, 2022

领域随机化在物体计数中的应用

PDF
TL;DR本文提出一种使用基于合成数据集的域随机化方法进行物体计数的方法，避免了昂贵的 3D 艺术家手动生成照片般逼真的数据集，增加了数据集的多样性和泛化性，实现了较好的性能表现。
synthetic datasetsobject countingdomain randomizationgeneralizationcomputer vision
发现论文，激发创造
  • 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

  • 利用合成数据学习野外人群计数

    该研究通过利用合成数据生成器和标注器构建了一个大规模，多样化的合成数据集，采用两个方案 (预训练和领域自适应) 来提高人群计数的性能。实验显示，该方法在真实数据集上实现了最先进的性能。

    Mar, 2019

  • 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

  • AFreeCA：无需标注的全能计数

    利用文本到图像的潜在扩散模型 (LDMs)，本研究介绍了一种无监督的排序方法，通过借助生成的计数数据，对任意类型的对象进行可靠计数，该方法优于其他无监督和少样本方法，不受特定对象类别计数数据的限制。

    Mar, 2024

  • 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

  • 语义生成增强在少样本计数中的应用

    通过使用合成数据和多样化生成策略，本研究探讨了合成数据对于少样本计数问题中的作用，并显示其显著改进了两种最近的高性能少样本计数模型在 FSC147 和 CARPK 数据集上的计数准确性。

    Oct, 2023

  • 使用合成数据增广消除数据集偏差

    本文探讨使用有针对性的合成数据增强 - 结合游戏引擎模拟和 sim2real 风格转移技术 - 填补视觉任务的真实数据集中的空缺。在三种不同的计算机视觉任务中（停车位检测，车道检测和单 ocular 深度估计），实证研究一致表明，将合成数据与真实数据混合训练能够显著提高交叉数据集的泛化性能。

    Apr, 2020

  • 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

  • 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