通过在动物自然环境下的图片中捕捉 Grevy 斑马的 3D 姿态、形状和纹理信息，为探究动物健康和行为提供了新的路径。该研究开发了一种新的方法，将 SMAL 动物模型与基于网络的回归管道相结合，通过训练合成图片，实现了对斑马形状和姿态的预测，为仅使用光度损失从图像学习形状空间提供了新的途径，并可用于在其他具有受限 3D 监督的情况下学习形状。具体地，该方法称为 SMALST，不仅可以预测动物的 3D 形状、姿态和纹理，而且在预测纹理图的基础上，可以无监督地优化特征。

Aug, 2019

提出了用于机器人研究的可定制的、真实动态环境生成框架 (GRADE)，利用该框架生成数据集用于检测和分割人物，并表明使用该数据集进行预训练能够提高模型性能

May, 2023

本文提出了一种基于 3D 模型合成无限数量的训练图像的方法，以提升目标检测的分类性能。通过估计渲染参数，生成的图像不仅要外观与真实图像相似，而且要在训练目标检测器时使用相同的特征。结果表明，与传统方法不同的是，此方法可显著提高无人机、飞机和汽车检测的性能。

Nov, 2014

动物种群数量急剧下降，精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型，以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集，我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型，其中最大的模型具有 4370 万个参数和 365 个层，并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7％的准确性，但我们的模型在相同数据集上达到 95％的准确性。最后，我们将模型部署在 Jetson Orin Nano 上，演示了低功耗实时物种检测，便于在无人机上进行推断。

Jun, 2024

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

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

使用合成图像和 CAD 动物模型生成的真值，使用提出的一种新颖的一致性约束半监督学习方法进行高度可变形的动物关键点预测。

Dec, 2019

开发了一个自动检测和识别老虎、斑马和美洲豹等有斑点物种个体的框架，使用了 Faster-RCNN 目标检测框架来有效地在图像中检测动物，在动物的侧面提取 AlexNet 特征并训练逻辑回归 (或线性 SVM) 分类器来识别个体。在相机陷阱老虎图像数据集上测试和评估后发现，和最先进的识别技术相比，我们的框架在检测结果方面具有完美的表现，在个体的识别方面，表现相似或更好。

May, 2020

通过对真实数据和合成数据进行 YOLOv3 物体检测器的训练，并使用层面对齐（CKA）进行相似性分析，本文揭示了训练合成数据如何影响每个层以及复杂神经网络的内部运作方式。结果表明，真实数据和合成数据训练的检测器在早期层面具有最大的相似性，而在头部部分具有最大的差异。此外，结果还表明，在冻结和非冻结骨干之间没有明显的性能或相似性差异。

Dec, 2023

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