利用合成训练数据提高深度学习质量检测的泛化能力
本研究探讨利用深度学习技术进行视觉品质检测问题,针对工业制造中数据重复性高的情况,提出通过学习数据中的特定缺陷类型来训练检测模型,从而使其更能检测出在新情况下出现的缺陷。同时,研究对泛化的影响,以训练在更广泛的条件下工作的模型。
May, 2023
本文深入分析了使用不同比例的真实数据和合成数据来训练计算机视觉模型对模型鲁棒性和预测质量的影响,证明使用生成对抗网络生成高质量合成数据可以减轻深度学习模型面临的挑战。
Mar, 2023
本研究使用人工智能模型进行视觉质量检测,探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术,结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能
Dec, 2022
通过在大型语言模型和 CLIP 的辅助下,使用生成模型生成合成训练图像来解决类名的歧义性、缺乏多样性的问题,并利用域适应技术和辅助批归一化来减轻领域偏移,以更好地提升模型识别性能。
Dec, 2023
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
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
本研究展示了合成数据的各种发展和应用方向,其中讨论合成数据的基本计算机视觉问题、室内外场景合成及数据应用、机器人仿真环境、合成数据在隐私相关应用方面的重要性,同时概括了如何改进和生产合成数据的替代方法。其次,介绍了合成数据转化后的真实应用存在的问题,最后,着重强调了未来在合成数据研究方面的最有潜力的方向。
Sep, 2019
这篇论文主要讨论了利用少量样本进行图像变化检测的问题,并通过使用简单的图像处理方法生成合成但具有信息量的数据集并设计了基于目标检测的早期融合网络来解决数据集不足导致的泛化能力差的问题。研究结果表明,使用合成数据训练的模型具有更好的泛化能力,且在此基础上利用少量样本进行微调能够获得优秀的结果。
Nov, 2023