Jun, 2023

数据集合成效果探索：在果园中应用于苹果检测

PDF
TL;DR本研究探讨了使用稳定扩散 2.1 基础库生成苹果树合成数据集的可行性，并将其与基于真实数据训练的基准模型进行了比较。通过 YOLOv5m 对模型进行评估，结果表明使用合成数据进行训练的模型在真实图像上的性能略低于基准模型，但这些结果具有高度的前景，证明了合成数据生成技术作为目标检测模型训练数据收集的一种可行替代方法的潜力。
deep object detectionsynthetic data generationstable diffusion 2.1-baseapple treesobject detection model
发现论文，激发创造
  • 大数据神话：使用扩散模型进行数据集生成以训练深度检测模型

    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

  • 通过实施合成图像数据集创建流程进行视觉汽车品牌分类

    利用 Stable Diffusion 进行合成图像数据集，通过 YOLOv8 自动边界框检测和质量评估，演示了仅使用合成数据训练图像分类器的可行性，并自动化了图像生成流程。

    Jun, 2024

  • 基于 YOLOv5 的果园中精确的苹果检测与定位用于机器采摘系统

    通过使用 YOLOv5 模型和多样的苹果树图像数据集，我们提出了一种新颖的苹果检测和位置估计方法，实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统，其具有约 85% 的苹果检测准确率，这在农业机器人领域取得了重要进展，为更高效、可持续的水果采摘实践奠定了基础。

    May, 2024

  • COCO 和 Weed 数据集的稳定扩散

    通过稳定扩散模型生成高分辨率图像，并利用这些图像提高检测模型的性能，这项研究有助于将稳定扩散模型应用于不同领域的分类和检测任务。

    Dec, 2023

  • 合成人脸图像检测：准确性，鲁棒性，泛化性

    探索合成人脸图像检测的实验研究。我们收集了一个称为 FF5 的数据集，包括近期的扩散模型，发现一个简单的模型在区分合成和真实图像方面能够达到近乎完美的准确率。该模型通过使用数据增强来处理常见的图像失真（降低分辨率、压缩）。此外，我们通过简单的 YOLO 架构模型识别了合成图像被修复到真实图像中的部分篡改，并定位了篡改区域。然而，该模型存在易受对抗性攻击的问题，并且对未见过的生成器无法泛化。我们还测试了最近的最先进方法在经过微调的 StabilityAI 的 Stable Diffusion 图像生成器上无法泛化来检测由新一代生成器产生的图像。

    Jun, 2024

  • S$^3$AD：果园环境中的半监督小苹果检测

    本研究提出了一种半监督的小苹果检测系统 (S^3AD)，通过利用大型高分辨率数据集 MAD，基于上下文关注和选择性平铺的方法，解决了水果检测中小型水果检测的困难，同时限制了计算开销，并在评估中表现出了明显优势。

    Nov, 2023

  • 果园深度水果检测

    本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。

    Oct, 2016

  • 将域随机化应用于合成数据以进行目标类别检测

    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。

    Jul, 2018

  • 使用合成数据训练目标检测模型的分析

    本文研究使用合成数据进行物体检测的方法及其性能，实验结果给出了使用合成数据的基本指导原则，并对比了不同训练技术。

    Nov, 2022

  • 稳定的航空目标检测扩散

    针对航空图像的合成数据增强框架，包括通过稀疏到稠密的感兴趣区域提取来弥合语义差距，使用低秩适应（LORA）对扩展训练进行优化，最后使用复制粘贴方法将合成物体与背景组合，为航空对象检测提供了一种细致入微的合成数据方法。

    Nov, 2023