CrashCar101：用于损伤评估的程序化生成
计算机视觉与模式识别
2023-11-14 v1
摘要
在本文中，我们致力于解决车辆（如汽车）损伤评估问题。该任务不仅需要检测损伤的位置与程度，还需识别受损部件。为训练用于图像中语义部件与损伤分割的计算机视觉系统，我们需要以昂贵的像素级标注手动标注图像，涵盖部件类别与损伤类型。为克服这一需求，我们提出使用合成数据来训练这些模型。合成数据可提供具有高多样性、像素精确标注且任意大规模的训练集，而无需任何人工干预。我们提出一个对 3D 汽车模型施加损伤的程序化生成流程，并获得带像素精确部件与损伤类别标注的受损汽车合成 2D 图像。为验证我们的想法，我们执行该流程并渲染出 CrashCar101 数据集。我们在三个真实数据集上进行了部件与损伤分割任务的实验。对于部件分割，我们表明在真实数据与我们的合成数据组合上训练的分割模型优于所有仅在真实数据上训练的模型。对于损伤分割，我们展示了 CrashCar101 的 sim2real 迁移能力。
引用
@article{arxiv.2311.06536,
title = {CrashCar101: Procedural Generation for Damage Assessment},
author = {Jens Parslov and Erik Riise and Dim P. Papadopoulos},
journal= {arXiv preprint arXiv:2311.06536},
year = {2023}
}
备注
Accepted at WACV 2024