超越表观的视觉——将真实图像映射至几何域以实现基于 CAD 的无监督识别
计算机视觉与模式识别
2018-10-10 v1
摘要
尽管卷积神经网络主导着计算机视觉领域，人们通常无法获得训练它们所需的大量领域相关数据。因此，使用可用的合成样本并结合域适应（domain adaptation）方案来为算法在目标域上做准备已变得常见。我们从不同角度解决此问题，引入了一种将未见过的目标样本映射至用于训练特定任务方法的合成域的流程。通过对数据去噪并仅保留这些识别算法所熟悉的特征，我们的方案大幅提升了它们的性能。由于该映射比反向映射（即学习生成逼真特征以增强源样本）更容易学习，我们展示了我们的整体方案如何仅基于增强的合成数据训练，且仍优于使用领域相关信息（例如真实图像或 3D 模型的逼真纹理）训练的方法。将我们的方法应用于基于无纹理 CAD 数据的物体识别，我们提出了一种自定义生成网络，其充分利用纯几何信息来学习鲁棒特征，并为未见过的彩色图像实现更精细的映射。
引用
@article{arxiv.1810.04158,
title = {Seeing Beyond Appearance - Mapping Real Images into Geometrical Domains for Unsupervised CAD-based Recognition},
author = {Benjamin Planche and Sergey Zakharov and Ziyan Wu and Andreas Hutter and Harald Kosch and Slobodan Ilic},
journal= {arXiv preprint arXiv:1810.04158},
year = {2018}
}
备注
paper + supplementary material; previous work: "Keep it Unreal: Bridging the Realism Gap for 2.5D Recognition with Geometry Priors Only"