Syn2Real：一种用于合成到真实视觉域自适应的新基准
计算机视觉与模式识别
2018-06-27 v1
摘要
将目标识别模型从无监督的合成数据迁移到真实数据是一项具有重要潜在应用的问题。挑战在于如何“自适应”一个在模拟图像上训练的模型，使其在没有额外监督的情况下在真实世界数据上表现良好。遗憾的是，当前该问题的基准在规模和任务多样性上均有限。本文提出一个名为 Syn2Real 的新大规模基准，其由从 3D 物体模型渲染的合成域和包含两个相同物体类别的真实图像域组成。我们在此基准上定义了三项相关任务：闭集物体分类、开集物体分类和物体检测。我们对多种最先进方法的评估揭示了较易的闭集分类任务与较难的开集和检测任务之间在自适应性能上的巨大差距。我们得出结论：开发能在这三项任务上都表现良好的自适应方法，是 syn2real 域迁移未来的一项重大挑战。
引用
@article{arxiv.1806.09755,
title = {Syn2Real: A New Benchmark forSynthetic-to-Real Visual Domain Adaptation},
author = {Xingchao Peng and Ben Usman and Kuniaki Saito and Neela Kaushik and Judy Hoffman and Kate Saenko},
journal= {arXiv preprint arXiv:1806.09755},
year = {2018}
}