机场行李推车检测的合成数据评估
计算机视觉与模式识别
2026-03-10 v1 人工智能
机器学习
摘要
高效的行李推车管理对于降低机场拥堵和确保资产可用性至关重要。自动化检测系统面临两个主要挑战：首先，严格的安保和隐私法规限制了大规模数据采集；其次，现有的公开数据集缺乏处理密集、重叠推车排列这一实际场景所需的多样性、规模和标注质量。为此，我们引入一个基于NVIDIA Omniverse 构建的阿尔戈兹国际机场高保真数字孪生体的合成数据生成管线。该管线产生的富有注释的数据包含倾斜边界框，捕捉复杂的推车编队，包括紧密嵌套的链条。我们评估了使用五种训练策略的 YOLO-OBB：实数据专用、合成数据专用、线性探针、完全微调和混合训练。这使我们能够评估合成数据如何补充有限的真实世界注释。我们的结果表明，仅使用合成数据和 40% 真实注释的混合训练，可达到或超过完全使用真实数据基线的性能，mAP@50 为 0.94，mAP@50-95 为 0.77，同时将标注工作量降低 25%~35%。多随机实验确认在 mAP@50 上标准差低于 0.01，证明合成数据在自动化推车检测中具有实际有效性。
引用
@article{arxiv.2603.07645,
title = {Evaluating Synthetic Data for Baggage Trolley Detection in Airport Logistics},
author = {Abdeldjalil Taibi and Mohmoud Badlis and Amina Bensalem and Belkacem Zouilekh and Mohammed Brahimi},
journal= {arXiv preprint arXiv:2603.07645},
year = {2026}
}