PennSyn2Real：无需人工标注训练目标识别模型
计算机视觉与模式识别
2020-10-19 v2
摘要
可扩展的训练数据生成是深度学习中的一个关键问题。我们提出PennSyn2Real——一个由超过100,000张4K图像组成、涵盖20余类微型飞行器（MAVs）的照片级真实感合成数据集。该数据集可用于为MAV检测与分类等高层计算机视觉任务生成任意数量的训练图像。我们的数据生成框架以色键抠像（一种成熟的电影拍摄技术）结合运动跟踪系统为基础，提供无伪影且经过筛选的标注图像，其中物体朝向与光照均受控。该框架易于搭建，可应用于广泛物体，缩小了合成数据与真实世界数据之间的差距。我们表明，利用该框架生成的合成数据可直接用于训练CNN模型以完成检测与分割等常见目标识别任务。我们展示了与仅使用真实图像训练相比具有竞争力的性能。此外，在少样本学习中以所生成合成数据作为引导，可显著提升整体性能，减少达到预期精度所需的训练数据样本数量。
引用
@article{arxiv.2009.10292,
title = {PennSyn2Real: Training Object Recognition Models without Human Labeling},
author = {Ty Nguyen and Ian D. Miller and Avi Cohen and Dinesh Thakur and Shashank Prasad and Camillo J. Taylor and Pratik Chaudrahi and Vijay Kumar},
journal= {arXiv preprint arXiv:2009.10292},
year = {2020}
}
备注
7 pages, 9 figures, 3 tables. Submitted to R-AL and ICRA 2021