基于前景纹理解耦与替换的面向域偏移的纸箱数据集合成方法
计算机视觉与模式识别
2021-04-27 v4
摘要
快速部署工业应用中的目标检测模型的一个主要障碍是缺乏大规模标注数据集。我们目前已提出包含来自三种场景的纸箱图像的Sacked Carton Dataset(SCD)，即综合医药物流公司(CPLC)、电商物流公司(ECLC)、水果市场(FM)。然而，由于域偏移，使用SCD中某一场景训练的模型在应用于其余场景时泛化能力较差。为解决此问题，提出一种新颖的图像合成方法，将源数据集的前景纹理替换为目标数据集的纹理。我们的方法能保持前景物体与背景的上下文关系不变，并大幅扩充目标数据集。我们首先提出一种表面分割算法以实现每个实例的纹理解耦。其次，提出一种轮廓重建算法以保持实例的遮挡与截断关系不变。最后，使用高斯融合算法将源数据集的前景纹理替换为来自目标数据集的纹理。该新颖图像合成方法在目标域上可使RetinaNet的AP提升至少4.3%~6.5%，使Faster R-CNN的AP提升3.4%~6.8%。代码见https://github.com/hustgetlijun/RCAN。
引用
@article{arxiv.2103.10738,
title = {Carton dataset synthesis method for domain shift based on foreground texture decoupling and replacement},
author = {Lijun Gou and Shengkai Wu and Jinrong Yang and Hangcheng Yu and Chenxi Lin and Xiaoping Li and Chao Deng},
journal= {arXiv preprint arXiv:2103.10738},
year = {2021}
}