面向工业制造的小训练集自动边界框标注
计算机视觉与模式识别
2022-06-02 v1 机器学习
摘要
过去几年中，由于深度学习技术的巨大质量提升，目标检测在人机协作与工业 5.0 背景下引起了大量关注。在许多应用中，目标检测模型必须能够快速适应变化的环境，即学习新物体。为此一个关键但具挑战性的前提是自动生成新训练数据，这目前仍限制了目标检测方法在工业制造中的广泛应用。本工作中，我们讨论如何调整最先进的目标检测方法，以用于背景均匀且物体标签由人工提供的用例下的自动边界框标注任务。我们比较了改进版的 Faster R-CNN 与 Scaled Yolov4-p5 架构，表明两者均可仅使用少量训练数据，学会从复杂但均匀的背景中区分未知物体。
引用
@article{arxiv.2206.00280,
title = {Automatic Bounding Box Annotation with Small Training Data Sets for Industrial Manufacturing},
author = {Manuela Geiß and Raphael Wagner and Martin Baresch and Josef Steiner and Michael Zwick},
journal= {arXiv preprint arXiv:2206.00280},
year = {2022}
}