TRoVE:将道路场景数据集转换成逼真的虚拟环境
使用逼真的渲染技术创建的 Synscapes 合成数据集在街景分割的训练和验证方面展示了最先进的结果,并研究了网络在合成数据上推断时的行为,并分析了现有分割和检测模型,为计算机视觉系统的分析提供了细微的信息。
Oct, 2018
通过混合模拟器和现实世界的数据,SimGen 模型能够学习生成具有多样性的驾驶场景,通过新颖的级联扩散管道解决了模拟到真实世界之间的差距和多条件冲突,并在保持可控性的基础上,获得卓越的生成质量和多样性。
Jun, 2024
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
本文介绍了一种系统性的方法来生成高度逼真、注释的合成数据,以用于计算机视觉任务的深度神经网络的训练。该方法的主要贡献是一种程序性的世界建模方法,能够产生高度可变性和物理准确性的图像合成,并且它是从手工建模的虚拟世界和在实时应用中使用的近似图像合成方法中脱颖而出的。我们的方法的优点包括灵活性、物理精确性、可扩展的图像合成、隐式广泛的类和特征覆盖以及完整的数据自检测以进行注释,所有这些都有助于质量和成本的效率。在本文中,我们以自动驾驶车辆和机器人导航的语义分割为主要应用,使用合成数据对多个深度学习体系结构进行了训练和微调。评估表明,我们的方法提高了神经网络的性能,即使是适度的实施工作也能产生最先进的结果。
Oct, 2017
这篇研究论文提出了一种使用仿真引擎产生的合成注释数据的方法,以训练机器学习算法。通过在丰富的虚拟环境中训练机器学习算法来实现对真实世界中的物体的分类,为实现自动驾驶汽车等基于传感器分类问题的深度学习应用提供了可能性。
Oct, 2016
大规模多样化的真实交通场景对于自动驾驶系统的开发和验证至关重要。本研究引入了 DriveSceneGen,一种数据驱动的驾驶场景生成方法,从真实世界的驾驶数据集中学习并生成完整的动态驾驶场景。与真实世界的数据集相比,DriveSceneGen 能够以高保真度和多样性生成与实际数据分布相吻合的新型驾驶场景。与真实世界数据集相比,5,000 个生成场景的实验结果突出了生成质量、多样性和可扩展性。据我们所知,DriveSceneGen 是首个能够从头开始生成涉及静态地图元素和动态交通参与者的新型驾驶场景的技术。
Sep, 2023
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
该论文提出了一种面向现实的域适应方法,通过学习合成数据,结合目标引导的蒸馏和空间感知的适应方案,可以提高语义分割网络从合成到真实城市场景的泛化能力。
Nov, 2017
本研究提供了一份可扩展性强、真实感更强、规模更大、变异性更强、且在训练和评估深度学习方法、基准测试同时定位和映射(SLAM)方面有更广泛用途的数据集,以支持计算机视觉领域的研究。我们使用数百万个专业室内设计和制作级家具资产进行高分辨率和高帧率视频序列渲染,并支持各种摄像头类型以及惯性测量。同时,我们展示了稀疏和密集 SLAM 算法的基准测试结果。
Sep, 2018