CrashCar101: 损害评估的程序化生成
计算机视觉应用中,车辆损伤检测是一个有趣的应用领域,尤其是检测租车前后的图像,需要进行车辆损伤检测和图像对齐两个组件,本文提出了一种新的自监督 Patch-to-Patch SimCLR 方法用于图像对齐。
Mar, 2024
本文介绍了一种系统性的方法来生成高度逼真、注释的合成数据,以用于计算机视觉任务的深度神经网络的训练。该方法的主要贡献是一种程序性的世界建模方法,能够产生高度可变性和物理准确性的图像合成,并且它是从手工建模的虚拟世界和在实时应用中使用的近似图像合成方法中脱颖而出的。我们的方法的优点包括灵活性、物理精确性、可扩展的图像合成、隐式广泛的类和特征覆盖以及完整的数据自检测以进行注释,所有这些都有助于质量和成本的效率。在本文中,我们以自动驾驶车辆和机器人导航的语义分割为主要应用,使用合成数据对多个深度学习体系结构进行了训练和微调。评估表明,我们的方法提高了神经网络的性能,即使是适度的实施工作也能产生最先进的结果。
Oct, 2017
交通安全和道路维护领域中,准确检测道路损伤对确保安全驾驶和延长道路耐久性至关重要。本研究提出了一种创新的方法,利用生成对抗网络生成具有不同形状的损伤,并通过纹理合成技术提取道路纹理,通过控制合成损伤的严重程度,嵌入到原始图像中,从而实现了损伤严重程度的丰富性和与背景的更好对齐,同时提高了 mAP 和 F1-score。
Sep, 2023
本研究通过使用卷积神经网络进行物体检测的最新方法,创建了一个可供公开使用的大型路面损伤数据集,该数据集包含了来自 7 个日本市的 9053 张路面损伤图片,针对这个数据集训练出有较高准确性的路面损伤检测模型,并成功将损伤分为八个类型。
Jan, 2018
本研究探讨了结合实际图片和虚拟对象的增量学习方法,通过少量用户交互的方式,将虚拟对象添加到实际图片中,从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明,增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。
Aug, 2017
利用文本到图像生成模型在创建大规模合成监督时,我们提出了一种简单高效的方法用于来自空中图像的损害评估。我们的方法通过将生成模型的文本引导的基于掩码的图像编辑能力与训练模型的两阶段方法结合,从而在缺乏手动标注数据的领域中提高了模型的域鲁棒性。我们验证了我们提出的框架在跨地理领域转移设置中的有效性,并在单源和多源设置中与仅有源的基线相比取得了显着的改进。
May, 2024
我们提出了一种改进的 “剪切 - 粘贴” 增强技术,既考虑了图像中道路的真实位置,又考虑了注入损伤和目标图像之间的透视差异。
Jun, 2024
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
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
使用深度学习算法进行场景理解已被广泛应用于不同的产业领域,现在保险公司通过允许客户上传用手机拍摄的图片来快速处理小额索赔,在处理索赔之前,由于日益增长的索赔量,为避免因同一案件而产生的反复索赔,必须进行防欺诈检查,本文提出一种新的方法,该方法可以定位、高效地生成深度特性,使用我们提出的数据集进行实验,进一步证明了该方法的有效性.
Apr, 2018