CVPRApr, 2024

朝着使用合成数据集进行真实工业零件分类

PDF
TL;DR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。
synthetic datadeep neural networksindustrial parts classificationsim-to-real challengedomain randomization
发现论文，激发创造
  • 在生产环境中构建综合数据以弥合仿真与真实世界之间的差距

    合成数据用于训练深度神经网络在计算机视觉应用中的重要性，重点探讨了在生产环境中使用的合成数据生成过程以及通过不同组合方法在减少仿真与现实差距方面的改进。

    Nov, 2023

  • 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

  • 合成训练数据对终端条对象检测在工业应用中的影响研究

    通过结合领域随机化和领域知识，我们创建了一种图像合成流程，用于自动生成训练数据，并在工业应用中对端子条对象检测的综合泛化性能进行研究。结果表明，在经过优化的尺度条件下，RetinaNet 的模型的模拟到现实平均精度的性能差异为 2.69％，而 Faster R-CNN 的性能差异为 0.98％，从而验证了此方法符合工业要求。

    Mar, 2024

  • 通过使用模拟数据来减少数据采集和标记以进行缺陷检测

    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

  • 深度学习的合成数据

    本研究展示了合成数据的各种发展和应用方向，其中讨论合成数据的基本计算机视觉问题、室内外场景合成及数据应用、机器人仿真环境、合成数据在隐私相关应用方面的重要性，同时概括了如何改进和生产合成数据的替代方法。其次，介绍了合成数据转化后的真实应用存在的问题，最后，着重强调了未来在合成数据研究方面的最有潜力的方向。

    Sep, 2019

  • 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

  • 基于合成数据的鲁棒性类别层次 3D 姿态估计

    本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

    May, 2023

  • 基于 Blender 的合成数据在裸眼监督学习和下游领域自适应中的实用性新基准

    本论文介绍了一种使用 3D 渲染和域随机化技术生成合成数据的方法，探究了深度学习和领域适应的相关理论和新发现，并利用模拟到现实的适应性作为下行任务，证明了合成数据预训练也有助于提高实际测试结果。最后，作者们发展了一个新的大规模合成到实际（S2RDA）图像分类基准，提供了更具挑战性的从模拟到现实的转移。

    Mar, 2023

  • 从合成动物学习零件分割

    从合成动物数据集学习语义部分分割，提出了具有更广泛的姿态多样性的合成动物数据集和适应方法，通过频谱混合和类平衡方法改进了现有的领域自适应方法，在 PartImageNet 上验证了该方法的有效性，并展示了合成虎和马的学习部分在所有四足动物上的可传递性。

    Nov, 2023

  • 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