Nov, 2023

仅有少量样本的图像变化检测

PDF
TL;DR这篇论文主要讨论了利用少量样本进行图像变化检测的问题，并通过使用简单的图像处理方法生成合成但具有信息量的数据集并设计了基于目标检测的早期融合网络来解决数据集不足导致的泛化能力差的问题。研究结果表明，使用合成数据训练的模型具有更好的泛化能力，且在此基础上利用少量样本进行微调能够获得优秀的结果。
image change detectionannotated datasetssynthetic dataearly fusion networkgeneralization ability
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

  • 在跨概念设置中提高合成生成图像的检测

    本文探讨了在不同概念类之间泛化的挑战，并提出了一种基于质量评估模型的质量抽样方法，通过 StyleGAN2 和 Latent Diffusion 生成的图像进行实验，结果表明采用本文提出的方法可以提高合成图像检测器的检测性能。

    Apr, 2023

  • 简单剪贴与学习：惊人易用的实例检测综合

    本文提出一种简单的方法，通过数据合成技术来生成大规模、带注释的数据集，从而避免因缺乏原始数据而导致检测模型性能下降的问题，并表明该方法的使用可以提高模型的性能和泛化能力。

    Aug, 2017

  • 基于轮廓的弱监督语义场景变化检测

    本文提出了一种只需弱监督的新型语义场景变化检测方案，该方案引入了具有相关性层的新的孪生网络结构，并采集和标注了一个公开数据集，该数据集用于评估所提出的方法的视角差异的鲁棒性和对语义变化的有效性。

    Nov, 2018

  • 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

  • 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

  • 用强基准方法改进合成数据上的目标检测训练

    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

  • 合成样例提高罕见类别泛化能力

    研究了少量样本学习的一个解决方案，通过模拟数据来扩充现有训练数据，并应用于动物物种分类。研究结果显示，使用模拟数据可以大幅降低对稀有分类的误分类率，并且随着模拟数据量的增加，目标分类的准确性也随之提高，同时高变化的模拟数据提供了最大的性能提升。

    Apr, 2019

  • 室内场景物体检测训练数据的合成

    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