本文介绍了如何通过利用合成数据来有效地训练深度神经网络用于工业零件分类，特别是针对与实际图像之间的领域差异。通过引入一个合成数据集作为 Sim-to-Real 挑战的初步测试平台，其中包含了六个工业用例的 17 个物体，包括独立和组装部件，对形状和反射性非常相似的几个子集为工业部件的具有挑战性的案例进行了评估。通过研究五个最先进的深度网络模型（有监督和自监督）在仅使用合成数据进行训练但在真实数据上进行测试的性能基准测试，我们分析结果，得出利用合成数据进行工业零件分类以及进一步开发更大规模的合成数据集的可行性和挑战。我们的数据集和代码已经公开发布。

Apr, 2024

该论文提出了一个包含 84162 个图像的大规模和细粒度的汽车数据集，用于检测 12 种不同类型的汽车零部件。为了减轻手动注释的负担，提出了一种新颖的半监督自动标注方法，并研究了零样本标注的 Grounding DINO 方法的局限性。最后，通过训练几个轻量级的 YOLO 系列检测器，评估了所提出的数据集的有效性。

Nov, 2023

近年来，质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而，开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺，阻碍了进展。本系统性综述涵盖 2015 年至 2023 年，鉴别 15 个公开可用的数据集并对其进行关键评估，以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况，如 NEU-CLS，NEU-DET，DAGM，KolektorSDD，PCB Defect Dataset 和空心圆柱缺陷检测数据集，每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方，为寻找此类公开可用资源的研究人员提供全面参考。

Jun, 2024

本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

Dec, 2023

本文提出了一种基于参考点的检测方法和一种卷积神经网络对缺陷进行分类的方式，并公开了一个包含 6 种缺陷的综合 PCB 数据集，该方法在数据集上表现出强大的性能。

Jan, 2019

本研究提出一种自动化设计数据归档的方案，介绍了一个由汽车设计师定义的汽车外观设计特征数据集 GP22，并使用 YOLO v5 作为设计特征检测模型进行基线模型训练以及性能测试，结果表明该数据集可在设计领域中应用。

Jul, 2022

我们提出了一个开放词汇的部分分割 (OV-PARTS) 基准测试，涵盖了对象级开放词汇语义分割、部分分割和少样本适应能力等三个任务，并分析和使用现有方法的两个流行范例为 OV-PARTS 提供基础模型。

Oct, 2023

本文提出了一种处理 Open Images 数据集中目标多标签和标签分布不平衡问题的方法，使用 concurrent softmax 处理多标签问题并提出一种混合训练计划的软采样方法来解决标签分布不平衡问题，实验结果在公共测试集上达到了最佳水平。

May, 2020

为了推动道路安全、交通监控、监视和物流自动化的最新技术，我们引入了全球车牌数据集（GLPD）。该数据集由超过 500 万张图像组成，包括来自 74 个国家的多样化样本，并具有精细的注释，包括车牌字符、车牌分割掩码、车牌角点以及车辆的制造商、颜色和型号。此外，我们还提供了更多类别的标注数据，如行人、车辆、道路等。我们还包括了数据集的统计分析，并提供了高效准确的基准模型。GLPD 旨在成为车牌识别模型开发和微调的主要基准数据集。

Mar, 2024

使用合成数据与未标注的真实数据进行训练可在较低成本下实现与标注真实数据相媲美甚至更好的缺陷检测结果。

Jun, 2024