Jun, 2023

一种生成用于视觉集装箱检查的合成标记数据集的方法

PDF
TL;DR本文介绍了一种创新的方法来生成一个逼真、多样、平衡和带标签的数据集，用于集装箱在码头环境下的视觉检查任务，并且我们证明了生成的合成标记数据集可以用于训练可以在实际环境中使用的深度神经网络。此外，我们提供了第一个开放的合成标记数据集 “SeaFront”。
containerized freight transportautomation processneural network modelslabelled datasetvisual inspection
发现论文，激发创造
  • 利用合成训练数据提高深度学习质量检测的泛化能力

    通过生成合成图像来解决领域不稳定性问题，从而使训练的深度学习模型更加稳健。我们描述了我们的合成数据生成管道和我们的深度学习方法来回答这些问题。

    Feb, 2022

  • 自动化数据集生成应用于包裹物流

    本文提出一种用于实例分割的合成数据集生成方法，通过从流行的图像搜索引擎中获取对象感兴趣的图像，实现了从数据采集到最终数据集形成的全自动化流程，并比较了三种不同的图像选择方法和四种不同的混合方法，该方法的有效性在包裹分割中得到了验证。

    Oct, 2022

  • 使用 GAN 进行合成数据增强，以提高自动化视觉检查的效果

    本研究使用人工智能模型进行视觉质量检测，探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术，结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能

    Dec, 2022

  • TRoVE：将道路场景数据集转换成逼真的虚拟环境

    本研究提出了一种用已有数据集进行数据注释以生成多模态数据的方法，以优化智能车辆系统中的数据模拟，实现高保真模拟并增加样本多样性并成功改善了语义分割的实验效果。

    Aug, 2022

  • 合成数据用于多物体抓握中的快速注释和鲁棒分割

    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

  • 稳定扩散控制的工业数据图像合成

    使用生成模型在工业数据上重新生成自我标记的有缺陷图像，从而优化真实工业使用情况下的裂缝分割器，显示了该方法在生产环境中的潜力。

    Jan, 2024

  • 使用游戏引擎从合成数据中检测货盘

    本研究旨在评估使用游戏引擎在托盘分割的机器学习中生成合成训练数据的可行性。研究开发了一款工具，可从 3D 模型以像素完美的准确性自动生成大量带注释的训练数据，并且比手动方法更快地进行。使用 Mask R-CNN 管道进行图像分割，对于单独的托盘，AP50 达到了 86％。

    Apr, 2023

  • 分析合成和真实数据对物体检测性能的影响：我们实际需要多少真实数据？

    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

  • 在矩阵中驾驶：虚拟世界是否能取代人为生成的真实任务注释？

    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

  • 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