深度卷积神经网络的模型驱动模拟
计算机视觉与模式识别
2016-06-01 v1
摘要
使用模拟虚拟环境来训练深度卷积神经网络(CNN)是当前减少深度CNN模型(真实)数据饥渴性的一种活跃做法，尤其在大规模真实数据和/或真值获取困难或繁琐的应用领域。近期方法试图利用现有视频游戏、动画电影提供具有高精度真值的训练数据。然而，一个绊脚石在于如何能够证明所学模型的泛化性及其在真实世界数据集中的有用性。这引发了基本问题：图形模拟的真实感在训练CNN模型中起什么作用？训练的模型在现实中有效吗？减少性能偏差的可能方法有哪些？本工作中，我们在CNN城市场景语义理解的背景下开始系统解决这些问题。为此，我们(a)提出一个简单的概率城市场景模型，(b)开发参数化渲染工具合成带真值的数据，接着(c)系统探索真实感级别对训练CNN模型在真实世界泛化性的影响；以及最小化性能偏差的域适应概念。
引用
@article{arxiv.1605.09582,
title = {Model-driven Simulations for Deep Convolutional Neural Networks},
author = {V S R Veeravasarapu and Constantin Rothkopf and Visvanathan Ramesh},
journal= {arXiv preprint arXiv:1605.09582},
year = {2016}
}