工业应用中用于物体分类的合成数据
计算机视觉与模式识别
2022-12-12 v1
摘要
机器学习中最大的挑战之一是数据收集。训练数据是一个重要部分，因为它决定了模型的行为方式。在物体分类中，为每个物体并在不同条件下捕获大量图像并非总是可行，且可能非常耗时和繁琐。因此，本文探索使用游戏引擎生成人工图像，以应对训练数据集中数据有限的问题。我们结合真实与合成数据来训练物体分类引擎，这一策略已表明有利于提升分类器决策的可信度，而这在工业环境中往往至关重要。为结合真实与合成数据，我们首先在大量合成数据上训练分类器，然后在真实图像上对其进行微调。另一重要结果是，微调所需的真实图像数量并不很高，每类仅用 12 或 24 张图像即可达到最高精度。这大幅降低了对捕获大量真实数据的要求。
引用
@article{arxiv.2212.04790,
title = {Synthetic Data for Object Classification in Industrial Applications},
author = {August Baaz and Yonan Yonan and Kevin Hernandez-Diaz and Fernando Alonso-Fernandez and Felix Nilsson},
journal= {arXiv preprint arXiv:2212.04790},
year = {2022}
}
备注
Accepted for publication at ICPRAM