利用合成数据提升自动驾驶车辆中的目标检测精度

机器学习模型的快速进展显著提升了自动驾驶车辆、疾病诊断和紧急识别等实际应用的潜力。许多机器学习模型的性能取决于训练数据集的性质和规模。这些模型常面临数据稀缺、噪声和不平衡的问题，限制了其性能。然而，高质量、多样、相关且能代表实际场景的训练数据对于构建准确可靠的机器学习模型至关重要。我们假设，经过精心设计的合成数据可以提高机器学习算法的性能。本工作旨在创建合成数据集并评估其提高目标检测系统预测精度的有效性。本工作以自动驾驶场景为例，展示合成数据的有效性。探索了这些合成数据集在提高主流目标检测模型性能方面的效果。研究结果表明，纳入合成数据后，模型在所有性能指标上都表现出改进。使用最先进的YOLO模型评估了两个深度学习系统：系统1（仅使用真实数据训练）和系统2（使用真实数据和合成数据的组合训练），包括准确率、精确率、召回率和平均精度等多个指标。实验结果显示，系统2在准确率上比系统1提升了3%，在其他所有指标上也表现出优越性能。