真实场景下的材料分类：合成训练数据是否比真实世界训练数据泛化更好？
计算机视觉与模式识别
2017-11-13 v1
摘要
我们通过研究合成数据是否能比真实世界数据更有效地泛化，对真实世界训练图像在材料分类领域的主导地位提出质疑。在三个具有挑战性的真实世界材料数据库上的实验结果表明，在跨数据集场景下对材料进行分类时，性能最佳的预训练卷积神经网络（CNN）架构可达到高达 91.03% 的平均精度均值（mean average precision）。我们证明，当用作训练数据并与预训练 CNN 架构结合时，合成数据在平均精度均值上取得了提升，在三个广泛使用的真实世界图像材料数据库上提升幅度约为 5% 至 19%。
引用
@article{arxiv.1711.03874,
title = {Material Classification in the Wild: Do Synthesized Training Data Generalise Better than Real-World Training Data?},
author = {Grigorios Kalliatakis and Anca Sticlaru and George Stamatiadis and Shoaib Ehsan and Ales Leonardis and Juergen Gall and Klaus D. McDonald-Maier},
journal= {arXiv preprint arXiv:1711.03874},
year = {2017}
}
备注
accepted for publication in VISAPP 2018. arXiv admin note: text overlap with arXiv:1703.04101