Apr, 2024

利用模拟图像改进深度学习预测及其反向操作

PDF
TL;DR通过使用 L 系统生成的合成图像，可以在培训神经网络进行表型鉴定任务时，通过增加或完全替代真实图像，从视觉上更真实地模拟植物，从而在更好地理解合成图像生成的情况下使用不同数量的真实图像和合成图像进行系统化分析。此外，利用神经网络的预测结果可以用于校准 L 系统本身，从而形成一个反馈循环。
artificial neural networkslindenmayer-systems (l-systems)crop plantssynthetic imagesphenotyping tasks
发现论文，激发创造
  • 使用合成森林图像对深度学习算法进行树木检测训练

    本研究探讨了在森林环境中基于视觉的分割是自主林业操作（如伐树和前进）的关键功能之一。在本研究中，我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像，并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性，证明了模型的迁移学习能力。

    Oct, 2022

  • 多元化训练，不是微调：使用合成图像扩大视觉识别训练规模

    通过在大型语言模型和 CLIP 的辅助下，使用生成模型生成合成训练图像来解决类名的歧义性、缺乏多样性的问题，并利用域适应技术和辅助批归一化来减轻领域偏移，以更好地提升模型识别性能。

    Dec, 2023

  • 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

  • 使用生成对抗网络合成拟南芥仿真植物

    通过使用生成神经网络，提出了一种基于图像的带花植物表型识别的解决方案，通过创建人工图像生成训练用的有标注的植物图像集合 Ax。

    Sep, 2017

  • 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

  • 基于模型的深度卷积神经网络仿真

    该论文研究使用虚拟环境训练 CNN 模型的有效性，并针对城市语义理解提出了一种简单的概率场景模型，开发了参数化渲染工具进行数据综合，并系统地探索了真实感水平对 CNN 模型普适性的影响以及域自适应概念，以减少性能偏差。

    May, 2016

  • 使用合成数据训练深度网络：通过域随机化缩小现实差距

    该研究提供了一种基于合成图像训练深层神经网络对象检测的系统，并探讨了领域随机化技术的重要性及其在检测 KITTI 数据集上的应用。

    Apr, 2018

  • 跨物种基于图像的植物表型识别中可扩展的学习方法

    本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器 UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在 CVPPP Leaf Segmentation Challenge 竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

    Mar, 2020

  • 为基于视觉的农业应用生成多样化农业数据

    为精准农业中的计算机视觉任务提供包含语义标签的 12,000 张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。

    Mar, 2024

  • 使用合成数据进行深层次叶子分割

    本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

    Jul, 2018