结合合成图像和深度主动学习:对工业物体检测模型进行数据高效训练
Leon Eversberg1, Jens Lambrecht1
1Industry Grade Networks and Clouds, Faculty IV Electrical Engineering and Computer Science, Technische Universität Berlin, Straße des 17. Juni 135, 10623 Berlin, Germany.
Journal of imaging
|January 22, 2024
概括
合成数据生成与深度主动学习相结合,改善了工业物体检测模型,特别是当真实数据稀缺时. 这种混合方法提高了模型的性能和效率.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 数据增强的数据增强.
背景情况:
- 有限的培训数据是工业深度学习的一个重大挑战.
- 在合成数据和现实数据之间存在一个域间隙,影响模型性能.
- 结合合成和真实数据源通常会产生更好的结果.
研究的目的:
- 为训练工业物体检测模型开发一个数据高效的工作流程.
- 通过合成数据和主动学习的结合,代地提高模型性能.
- 解决工业计算机视觉应用中的模拟到真实领域的差距.
主要方法:
- 基于物理的染被用于生成合成训练图像.
- 使用深度主动学习来代地改进对象检测模型.
- 实施混合查询策略来选择信息培训样本.
主要成果:
- 合成图像显著提高了模型性能,特别是在有限的初始真实数据的情况下.
- 混合主动学习策略在选择多样化和信息化的图像方面表现优于随机抽样.
- 工作流程证明了模型准确性和效率的提高.
结论:
- 建立了一个实用的工作流程,用于训练和改进使用最小现实数据的物体检测模型.
- 合成数据和主动学习的整合导致了数据效率高和成本效益高的计算机视觉解决方案.
- 这种方法对于数据稀缺的工业应用非常有益.
