形变分类的仿真到真实域适应

形变检测对于确保结构变化的准确评估和预测至关重要，以确保安全性和完整性并及时有效地进行干预。通过计算机视觉自动化形变检测对于高效监控至关重要，但面临着创建包含变形和非变形对象的综合数据集的挑战，这在许多情况下难以获得。本文引入了一个新框架，用于生成控制合成数据来模拟变形对象。该方法允许在各种条件下对对象变形进行真实建模。我们的框架集成了一个智能适配器网络，促进仿真到真实的域适应，无需来自变形对象的真实数据即可提高分类结果。我们在域适应和分类任务上进行实验，证明我们的框架在比模拟基线更好的仿真到真实分类结果方面具有优势。