省下的一个标注即是赚到的一个标注：使用全合成训练进行目标实例检测
计算机视觉与模式识别
2019-02-27 v1
摘要
深度学习方法通常需要海量训练数据才能发挥其全部潜力。尽管存在一些公开可用数据集，但领域特定数据总是需要收集并手动标注，这是一个昂贵、耗时且易出错的过程。因此，使用合成数据进行训练极具吸引力，因为数据集创建与标注是零成本的。我们提出了一种用于目标检测纯合成训练数据生成的新方法。我们利用一个大型3D背景模型数据集，并通过全领域随机化对其进行密集渲染，从而得到具有真实形状与纹理的背景图像，并在其上渲染感兴趣的目标。在训练过程中，数据生成过程遵循课程策略，保证所有前景模型在所有可能的姿态与条件下以递增的复杂度被平等地呈现给网络。因此，我们完全控制了底层统计特性，并在训练的每一阶段创建最优训练样本。使用一组64个零售商品，我们证明了这一简单方法能够训练出在具有挑战性的评估数据集上优于使用真实数据训练模型的检测器。
引用
@article{arxiv.1902.09967,
title = {An Annotation Saved is an Annotation Earned: Using Fully Synthetic Training for Object Instance Detection},
author = {Stefan Hinterstoisser and Olivier Pauly and Hauke Heibel and Martina Marek and Martin Bokeloh},
journal= {arXiv preprint arXiv:1902.09967},
year = {2019}
}