自动生成标注数据集的 HandsOff 方法

CVPRDec, 2022

自动生成标注数据集的 HandsOff 方法

HandsOff: Labeled Dataset Generation With No Additional Human Annotations

Austin Xu, Mariya I. Vasileva, Achal Dave, Arjun Seshadri

TL;DR本文介绍了 HandsOff 框架，它可以在使用不到 50 个已标记图像的情况下训练，生成数量不限的带有标签的合成图像，这个方法绕过了现有方法的实际缺点，同时具有优异的性能表现。

Abstract

Recent work leverages the expressive power of generative adversarial networks (GANs) to generate labeled synthetic datasets. These dataset genera

generative adversarial networks synthetic datasets dataset generation semantic segmentation keypoint detection

发现论文，激发创造

DatasetGAN：最小人力投入的高效标签数据制造工厂

介绍了 DatasetGAN 方法，利用 GAN 生成合成数据集，仅需少量标注样本，就能训练出能够与传统无监督方法相匹敌的语义分割模型，并在人脸和汽车语义分割任务上取得了领先的性能。

Apr, 2021

生成模型的带注释手部数据

通过在训练图像中增加三个额外通道，我们提出了一种新的生成模型训练框架，大大提高了生成模型创建手图像的能力。我们通过在合成手图像数据集和包含手部的真实照片上展示了这种方法，并通过使用现成的手部检测器对指关节识别的置信度提高来衡量生成手部图像的质量改进。

Jan, 2024

H-GAN: 手中的 GAN 力量

本论文提出 HandGAN，一种采用多尺度感知判别器的循环一致性对抗性学习方法，旨在将合成的手部图像转换为真实领域中的图像，从而提高人工合成手部图像的逼真程度。

Mar, 2021

BigDatasetGAN: 使用像素级别注释合成 ImageNet 数据集

本文旨在利用 GAN 生成的图片数据集创建像素级别标注，从而用于预训练，在多个下游任务上取得了较好性能，同时提出了一个基于 ImageNet 的像素级别分割性能评估基准，并提供了类似排行榜的工具

Jan, 2022

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

远程感知图像中的数据增强和适应的条件生成对抗网络

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

基于生成模型的语义分割：半监督学习与强领域通用化

本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

Apr, 2021

GAN 增强：使用生成对抗网络进行训练数据增强

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018

无监督像素级域自适应生成对抗网络

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

Hi5：零人工标注的 2D 手部姿态估计

提出一种新的大规模合成手部姿态估计数据集 Hi5 以及一种新的廉价方法来收集高质量合成数据，无需人工注释或验证。在计算机图形学的最新进展下，利用具有多样性性别、肤色和动态环境和摄像机移动的高保真度 3D 手部模型，我们的数据合成流程可以精确控制数据多样性和表示，确保健壮和公平的模型训练。通过使用一台普通消费级个人电脑，我们生成了一个包含 583,000 张图像和准确的姿态注释的数据集，这个数据集紧密地代表了现实世界的变异性。使用 Hi5 训练的姿态估计模型在真实手部基准测试中表现出竞争力，而在遮挡和扰动测试中超过了使用真实数据训练的模型。我们的实验显示出合成数据作为解决现实数据集中数据表示问题的可行方案的有希望的结果。总体而言，本文提供了一种有希望的新方法来创建和注释合成数据，可以降低成本并增加手部姿态估计的数据多样性和质量。

Jun, 2024