利用虚拟图像训练与测试目标检测器
计算机视觉与模式识别
2017-12-25 v1
摘要
在计算机视觉领域，深度学习已产生多种依赖海量标注数据的先进模型。然而，从真实世界中采集并标注图像需要大量人力与资金投入，且通常过于被动，难以构建具有特定特征（如目标面积小、遮挡程度高）的数据集。在平行视觉框架下，本文提出一种有目的性地设计人工场景并自动生成带精确标注的虚拟图像的方法。我们构建了名为 ParallelEye 的虚拟数据集，可用于若干计算机视觉任务。随后，通过训练 DPM（可变形部件模型，Deformable Parts Model）与 Faster R-CNN 检测器，我们证明在训练阶段将 ParallelEye 与公开可用的真实世界数据集结合可显著提升模型性能。此外，为发现训练后模型的缺陷，我们探究了利用专门设计的虚拟数据集从特定方面测试已训练模型的潜力。由实验结果我们得出结论：我们的虚拟数据集可用于训练和测试目标检测器。
引用
@article{arxiv.1712.08470,
title = {Training and Testing Object Detectors with Virtual Images},
author = {Yonglin Tian and Xuan Li and Kunfeng Wang and Fei-Yue Wang},
journal= {arXiv preprint arXiv:1712.08470},
year = {2017}
}
备注
To be published in IEEE/CAA Journal of Automatica Sinica