使用合成数据训练深度网络：通过域随机化弥合现实差距

我们提出了一个使用合成图像训练深度神经网络以进行目标检测的系统。为了处理真实世界数据中的变异性，该系统依赖于域随机化技术，其中模拟器的参数——如光照、姿态、物体纹理等——以非真实的方式随机化，以迫使神经网络学习感兴趣目标的基本特征。我们探索了这些参数的重要性，表明仅使用非艺术生成的合成数据就有可能产生具有引人注目性能的网络。通过对真实数据进行额外的微调，该网络产生了比仅使用真实数据更好的性能。这一结果开辟了使用廉价合成数据训练神经网络的可能性，同时避免了收集大量人工标注的真实世界数据或生成高保真合成世界的需求——这两者仍然是许多应用的瓶颈。该方法在 KITTI 数据集上的汽车边界框检测中进行了评估。