基于THEODORE的学习：用于深度迁移合成的全景俯视室内数据集
计算机视觉与模式识别
2020-11-12 v1
摘要
近期关于透视视角合成室内数据集的工作已显示卷积神经网络（CNNs）目标检测结果的显著提升。在本文中，我们介绍THEODORE：一个新颖的大规模室内数据集，包含100,000张高分辨率多样化鱼眼图像，具有14个类别。为此，我们创建了客厅、不同人物角色和室内纹理的3D虚拟环境。除从虚拟环境捕获鱼眼图像外，我们还为语义分割、实例掩码和目标检测任务创建了边界框标注。我们将我们的合成数据集与最先进的真实世界全景图像数据集进行比较。基于MS COCO权重，我们表明我们的数据集非常适于微调CNNs进行目标检测。通过图像合成和域随机化实现模型的高泛化性，我们在High-Definition Analytics数据集上达到了类person的AP高达0.84。
引用
@article{arxiv.2011.05719,
title = {Learning from THEODORE: A Synthetic Omnidirectional Top-View Indoor Dataset for Deep Transfer Learning},
author = {Tobias Scheck and Roman Seidel and Gangolf Hirtz},
journal= {arXiv preprint arXiv:2011.05719},
year = {2020}
}
备注
Paper accepted in WACV 2020