論文の概要: Detection and Segmentation of Custom Objects using High Distraction
Photorealistic Synthetic Data
- arxiv url: http://arxiv.org/abs/2007.14354v2
- Date: Sun, 23 May 2021 07:21:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 02:27:46.303660
- Title: Detection and Segmentation of Custom Objects using High Distraction
Photorealistic Synthetic Data
- Title（参考訳）: 高注意感光リアリスティック合成データを用いたカスタムオブジェクトの検出とセグメンテーション
- Authors: Roey Ron, Gil Elbaz
- Abstract要約: 合成データを用いてインスタンスセグメンテーションを行うための簡便で有用な手法を示す。
目標は、カスタムオブジェクトの実際のデータを手動で収集し、注釈付けすることで、高いパフォーマンスを達成することである。
このホワイトペーパーは、光実写シミュレーションデータが現実の応用に利用できるという強い証拠を提供する。
- 参考スコア（独自算出の注目度）: 0.5076419064097732
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We show a straightforward and useful methodology for performing instance
segmentation using synthetic data. We apply this methodology on a basic case
and derived insights through quantitative analysis. We created a new public
dataset: The Expo Markers Dataset intended for detection and segmentation
tasks. This dataset contains 5,000 synthetic photorealistic images with their
corresponding pixel-perfect segmentation ground truth. The goal is to achieve
high performance on manually-gathered and annotated real-world data of custom
objects. We do that by creating 3D models of the target objects and other
possible distraction objects and place them within a simulated environment.
Expo Markers were chosen for this task, fitting our requirements of a custom
object due to the exact texture, size and 3D shape. An additional advantage is
the availability of this object in offices around the world for easy testing
and validation of our results. We generate the data using a domain
randomization technique that also simulates other photorealistic objects in the
scene, known as distraction objects. These objects provide visual complexity,
occlusions, and lighting challenges to help our model gain robustness in
training. We are also releasing our manually-gathered datasets used for
comparison and evaluation of our synthetic dataset. This white-paper provides
strong evidence that photorealistic simulated data can be used in practical
real world applications as a more scalable and flexible solution than
manually-captured data. Code is available at the following address:
https://github.com/DataGenResearchTeam/expo_markers
- Abstract（参考訳）: 合成データを用いてインスタンスセグメンテーションを行うための簡便で有用な手法を示す。
本手法を基本事例に適用し,定量的解析による考察を導出する。
私たちは、検出とセグメンテーションタスクを目的とした、新しいパブリックデータセット、Expo Markers Datasetを作成しました。
このデータセットは、5000個の合成フォトリアリスティック画像と対応する画素完全セグメンテーション基底真理を含む。
目標は、カスタムオブジェクトの実際のデータを手動で収集し、注釈付けすることで、高いパフォーマンスを達成することである。
対象のオブジェクトの3Dモデルと、他の可能性のある乱れオブジェクトを作成し、それらをシミュレーション環境に配置する。
expoマーカーが選択され、正確なテクスチャ、サイズ、および3d形状のため、カスタムオブジェクトの要件に適合しました。
もう1つの利点は、このオブジェクトが世界中のオフィスで簡単にテストでき、結果の検証ができることです。
我々は、シーン内の他の写実的オブジェクトをシミュレートする領域ランダム化手法を用いて、データを生成する。
これらのオブジェクトは、モデルのトレーニングにおける堅牢性を得るために、視覚的な複雑性、オクルージョン、照明上の課題を提供します。
私たちはまた、合成データセットの比較と評価に使用される手作業で収集したデータセットもリリースしています。
このホワイトペーパーは、フォトリアリスティックなシミュレーションデータが、手作業で収集したデータよりもスケーラブルで柔軟なソリューションとして現実のアプリケーションで使用できるという強い証拠を提供する。
コードは以下のアドレスで利用できる。 https://github.com/datagenresearchteam/expo_markers
関連論文リスト
- Boundless: Generating Photorealistic Synthetic Data for Object Detection in Urban Streetscapes [7.948212109423146]
本研究では,高密度都市景観におけるオブジェクト検出のための写真リアルな合成データ生成システムであるBoundlessを紹介する。
Boundlessは、大規模な実世界のデータ収集と手動のグラウンドトルースオブジェクトアノテーション(ラベル付け)を置き換えることができる
本研究では、Boundlessが生成したデータセットに基づいて学習したオブジェクト検出モデルの性能を評価する。
論文 参考訳（メタデータ） (2024-09-04T18:28:10Z) - Neural-Sim: Learning to Generate Training Data with NeRF [31.81496344354997]
本稿では,ニューラルレージアンスフィールド(NeRF)を対象アプリケーションの損失関数を持つ閉ループに使用した,最初の完全微分可能な合成データパイプラインを提案する。
提案手法は,人的負担を伴わないオンデマンドでデータを生成し,目標タスクの精度を最大化する。
論文 参考訳（メタデータ） (2022-07-22T22:48:33Z) - Discovering Objects that Can Move [55.743225595012966]
手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。
既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。
私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
論文 参考訳（メタデータ） (2022-03-18T21:13:56Z) - RandomRooms: Unsupervised Pre-training from Synthetic Shapes and
Randomized Layouts for 3D Object Detection [138.2892824662943]
有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。
最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。
本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
論文 参考訳（メタデータ） (2021-08-17T17:56:12Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳（メタデータ） (2021-05-07T03:49:26Z) - REGRAD: A Large-Scale Relational Grasp Dataset for Safe and
Object-Specific Robotic Grasping in Clutter [52.117388513480435]
本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。
データセットは2D画像と3Dポイントクラウドの両方で収集されます。
ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
論文 参考訳（メタデータ） (2021-04-29T05:31:21Z) - DatasetGAN: Efficient Labeled Data Factory with Minimal Human Effort [117.41383937100751]
現在のディープネットワークは、大規模なデータセットのトレーニングの恩恵を受ける、非常にデータハングリーです。
GAN潜入コードがどのようにデコードされ、イメージのセマンティックセグメンテーションを生成するかを示す。
これらの生成されたデータセットは、実際のデータセットと同じように、コンピュータビジョンアーキテクチャのトレーニングに使用できます。
論文 参考訳（メタデータ） (2021-04-13T20:08:29Z) - Learning from THEODORE: A Synthetic Omnidirectional Top-View Indoor
Dataset for Deep Transfer Learning [4.297070083645049]
TheODOREは,14種類の高解像度魚眼画像10万点を含む,新しい大規模屋内データセットである。
リビングルーム、異なる人間キャラクター、インテリアテクスチャの3D仮想環境を作成します。
我々のデータセットは、オブジェクト検出のための微調整CNNに適していることを示す。
論文 参考訳（メタデータ） (2020-11-11T11:46:33Z) - Hypersim: A Photorealistic Synthetic Dataset for Holistic Indoor Scene
Understanding [8.720130442653575]
Hypersimは、総合的な屋内シーン理解のための合成データセットである。
室内461のシーンを77,400枚生成し,詳細なピクセルごとのラベルとそれに対応する地平線形状を推定した。
論文 参考訳（メタデータ） (2020-11-04T20:12:07Z) - OpenRooms: An End-to-End Open Framework for Photorealistic Indoor Scene
Datasets [103.54691385842314]
本研究では,屋内シーンの大規模フォトリアリスティックデータセットを作成するための新しいフレームワークを提案する。
私たちの目標は、データセット作成プロセスを広く利用できるようにすることです。
これにより、逆レンダリング、シーン理解、ロボット工学における重要な応用が可能になる。
論文 参考訳（メタデータ） (2020-07-25T06:48:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。