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
我们提出了一种在合成数据上训练预训练目标检测器的方法,通过提取合成数据的显著信息并保留在真实图像上预训练的有用特征,结合数据增强方法和 Transformer 骨干网络,我们在 RarePlanes、DGTA-VisDrone 数据集上改进了合成数据训练的目标检测技术,并在公司内部车辆检测数据集上达到近乎完美的性能。
May, 2024
本研究提出了一种通过微调预训练的稳定扩散模型生成合成数据集的框架,并用于对象检测模型的训练,研究结果表明,在苹果果园检测中,合成数据训练的对象检测模型的性能与真实世界图像训练得到的基线模型相似,这表明了合成数据生成技术作为深度模型训练的可行替代方法的潜力。
Jun, 2023
使用合成数据与未标注的真实数据进行训练可在较低成本下实现与标注真实数据相媲美甚至更好的缺陷检测结果。
Jun, 2024
本文探讨了使用合成图像训练最先进的对象检测器,特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起,以便在各种位置和比例上进行训练。通过这些实验,我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。
Feb, 2017
本文提出了一种无需真实图像数据的方法,通过修改前景和背景类的训练方法来适应合成图像,有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。
Jul, 2018
本文研究了航拍人体检测中利用合成数据来训练的方法,通过探讨实际数据、合成数据和数据池选择对合成数据的质量影响以及利用合成数据提高学习性能和域泛化能力的效果,发现了几个重要的发现,为未来研究提供了更合理的使用合成数据的方向。
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
通过结合领域随机化和领域知识,我们创建了一种图像合成流程,用于自动生成训练数据,并在工业应用中对端子条对象检测的综合泛化性能进行研究。结果表明,在经过优化的尺度条件下,RetinaNet 的模型的模拟到现实平均精度的性能差异为 2.69%,而 Faster R-CNN 的性能差异为 0.98%,从而验证了此方法符合工业要求。
Mar, 2024
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。