从 CAD 模型到真实世界图像：工业物体分类中无监督域自适应的实用方法
计算机视觉与模式识别
2023-10-10 v1
摘要
本文中，我们系统分析了在具挑战性的工业场景下用于物体分类的无监督域自适应流水线。与领域中既有的标准自然物体基准不同，我们的结果凸显了当仅有类别标记的 CAD 模型可用而分类需使用真实世界图像时最重要的设计选择。我们的域自适应流水线在 VisDA 基准上取得了 SOTA 性能，但更重要的是，在我们新提出的由 102 个机械零件组成的开放工业数据集上大幅提升了识别性能。我们以一组与实践者需在实践中应用最先进无监督域自适应相关的指导准则作结。我们的代码可见于 https://github.com/dritter-bht/synthnet-transfer-learning。
引用
@article{arxiv.2310.04757,
title = {CAD Models to Real-World Images: A Practical Approach to Unsupervised Domain Adaptation in Industrial Object Classification},
author = {Dennis Ritter and Mike Hemberger and Marc Hönig and Volker Stopp and Erik Rodner and Kristian Hildebrand},
journal= {arXiv preprint arXiv:2310.04757},
year = {2023}
}
备注
Presented at ECML-PKDD 2023 Workshop "Adapting to Change: Reliable Multimodal Learning Across Domains", Student Paper Award