利用合成数据集实现工业零件分类的从模拟到现实迁移
计算机视觉与模式识别
2024-04-16 v1 机器学习
摘要
本文探讨如何有效利用合成数据训练用于工业零件分类的深度神经网络，特别是通过考虑其与真实世界图像之间的领域差距。为此，我们引入了一个合成数据集，可作为从模拟到现实挑战的初步测试平台；它包含来自六个工业用例的17个物体，包括独立零件和装配体。部分物体子集在形状和反照率上表现出高度相似性，以反映工业零件中的挑战性案例。所有样本图像均包含有无随机背景和后处理两种版本，用于评估领域随机化的重要性。我们将其命名为合成工业零件数据集（SIP-17）。我们通过基准测试五种最先进的深度网络模型（包括有监督和自监督模型）的性能来研究SIP-17的实用性，这些模型仅在合成数据上训练，而在真实数据上进行测试。通过分析结果，我们得出了一些关于使用合成数据进行工业零件分类的可行性和挑战，以及进一步开发更大规模合成数据集的见解。我们的数据集和代码已公开。
引用
@article{arxiv.2404.08778,
title = {Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset},
author = {Xiaomeng Zhu and Talha Bilal and Pär Mårtensson and Lars Hanson and Mårten Björkman and Atsuto Maki},
journal= {arXiv preprint arXiv:2404.08778},
year = {2024}
}
备注
Published in 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)