基于合成数据训练目标检测模型的分析
计算机视觉与模式识别
2022-11-30 v1 人工智能
摘要
近年来，合成训练数据的使用呈上升趋势，因为它能以更低的成本提供正确标注的数据集。该技术的缺点在于，真实目标图像与合成训练数据之间所谓的域差距会导致性能下降。在本文中，我们试图提供关于如何使用合成数据进行目标检测的全局概览。我们分析了数据生成的各个方面以及用于训练模型的技术。为此，我们设计了一系列实验，在工业金属物体数据集（DIMO）上训练模型。该数据集包含真实图像和合成图像。合成部分具有不同的子集，这些子集要么是真实数据的精确合成副本，要么是带有某些方面随机化的副本。这使我们能够分析哪些类型的变异对合成训练数据是有益的，以及哪些方面应被建模以紧密匹配目标数据。此外，我们研究了哪些类型的训练技术有利于对真实数据的泛化，以及如何使用它们。另外，我们分析了在合成图像上训练时如何利用真实图像。所有这些实验都在真实数据上进行了验证，并与在真实数据上训练的模型进行了基准比较。结果提供了一些有趣的启示，可作为使用合成数据进行目标检测的基本指导方针。复现结果的代码可在 https://github.com/EDM-Research/DIMO_ObjectDetection 获取。
引用
@article{arxiv.2211.16066,
title = {Analysis of Training Object Detection Models with Synthetic Data},
author = {Bram Vanherle and Steven Moonen and Frank Van Reeth and Nick Michiels},
journal= {arXiv preprint arXiv:2211.16066},
year = {2022}
}
备注
published in BMVC 2022, https://bmvc2022.mpi-inf.mpg.de/833/