利用域随机化与生成对抗精炼合成图像的目标检测
计算机视觉与模式识别
2018-06-12 v2 人工智能
神经与进化计算
摘要
在这项工作中，我们展示了域随机化和生成对抗网络（GAN）的一种应用，以完全在仿真环境中训练一个近实时的工业电气部件目标检测器。带标注的真实世界数据的大规模可用通常在许多工业环境中是稀少且难以获取的。因此在此，仅使用数百张无标注真实图像来训练一个 Cyclic-GAN 网络，并结合不同程度的域随机化过程。我们证明这能够实现合成图像到真实世界域的鲁棒迁移。我们展示，将原始合成（仿真）图像与 GAN 迁移图像结合用于训练 Mask-RCNN 目标检测网络时，在检测和分类一组工业电气部件上取得了大于 0.95 的平均精度均值。我们评估了不同训练数据组合下的性能。
引用
@article{arxiv.1805.11778,
title = {Object Detection using Domain Randomization and Generative Adversarial Refinement of Synthetic Images},
author = {Fernando Camaro Nogues and Andrew Huie and Sakyasingha Dasgupta},
journal= {arXiv preprint arXiv:1805.11778},
year = {2018}
}
备注
CVPR 2018 Deep Vision Workshop