提高对象细分的深度学习模型的稳定性:用于自动注释真实和合成数据的混合框架

科学领域:

• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 深度学习 (DL) 和转移学习对于现代机器人技术至关重要.
• 对于微调模型来说,对环境变化 (例如照明) 的强度至关重要.
• 关于使用合成数据用于微调DL模型的研究有限.

研究的目的:

• 提出用于对象细分 (真实和合成) 的注释图像数据集的自动生成方法.
• 引入一种新的领域适应方法,即填补现实差距 (FTRG),用于混合真实和合成数据.
• 评估合成数据在转移学习和持续学习中微调的有效性.

主要方法:

• 开发了用于生成注释真实世界和合成图像数据集的自动化方法.
• 介绍了填补现实差距 (FTRG) 域调整技术.
• 在机器人应用程序上进行实验,比较FTRG与域随机化和光现实合成图像.

主要成果:

• 与现有的域调整技术相比,FTRG在创建强大的模型方面表现优异.
• 使用拟议的方法和FTRG,与合成数据进行微调,比仅使用现实数据产生更好的结果.
• 合成数据用于微调转移学习和持续学习的微调,证明是有益的.

结论:

• 自动合成数据生成和FTRG对于机器人领域的域调整是有效的.
• 微调合成数据可以提高机器人应用中的深度学习模型的稳定性和性能.
• 提出的方法为克服合成数据生成的局限性提供了实际解决方案,用于微调.