以医用服装检测为例的医学介入室合成数据集生成方法比较
计算机视觉与模式识别
2022-09-26 v1
摘要
来自高隐私要求区域（如医学介入空间）的真实数据可用性低且获取在法律上复杂。因此，本工作提出了一种为医学语境创建合成数据集的方法，以医用服装为例。目标是缩小合成数据与真实数据之间的现实差距。为此，在使用 Unreal-Engine 插件或 Unity 的域随机化与结构化域随机化场景中，比较了 3D 扫描服装与设计的服装的方法。此外，还使用了绿幕前的混合现实数据集和目标域数据集。我们的实验表明，设计的服装的结构化域随机化与混合现实数据相结合，提供了一个基线，在临床目标域的测试数据集上达到 72.0% mAP。当额外使用 15% 可用的目标域训练数据时，朝向 100%（660 张图像）目标域训练数据的差距几乎被弥合：80.05% mAP（81.95% mAP）。最后我们表明，当额外使用 100% 目标域训练数据时，准确率可提升至 83.35% mAP。
引用
@article{arxiv.2209.11493,
title = {Comparison of synthetic dataset generation methods for medical intervention rooms using medical clothing detection as an example},
author = {Patrick Schülein and Hannah Teufel and Ronja Vorpahl and Indira Emter and Yannick Bukschat and Marcus Pfister and Anke Siebert and Nils Rathmann and Steffen Diehl and Marcus Vetter},
journal= {arXiv preprint arXiv:2209.11493},
year = {2022}
}