Fugu-MT 論文翻訳(概要): Strawberry Detection using Mixed Training on Simulated and Real Data

論文の概要: Strawberry Detection using Mixed Training on Simulated and Real Data

arxiv url: http://arxiv.org/abs/2008.10236v1
Date: Mon, 24 Aug 2020 07:37:12 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 12:00:01.898247
Title: Strawberry Detection using Mixed Training on Simulated and Real Data
Title（参考訳）: シミュレーションデータと実データを用いた混合訓練によるイチゴ検出
Authors: Sunny Goondram, Akansel Cosgun and Dana Kulic
Abstract要約: 実画像におけるイチゴ検出のための実データと模擬データとの混合データセットのトレーニングを検討する。その結果,シミュレーションデータセットを用いて実データを用いた場合,精度はわずかに向上した。
参考スコア（独自算出の注目度）: 7.762964039682184
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper demonstrates how simulated images can be useful for object detection tasks in the agricultural sector, where labeled data can be scarce and costly to collect. We consider training on mixed datasets with real and simulated data for strawberry detection in real images. Our results show that using the real dataset augmented by the simulated dataset resulted in slightly higher accuracy.
Abstract（参考訳）: 本稿では,ラベル付きデータが不足し,収集に費用がかかる農業分野において,シミュレーション画像がオブジェクト検出作業にどのように役立つかを示す。実画像におけるイチゴ検出のための実データと模擬データとの混合データセットのトレーニングを検討する。その結果,シミュレーションデータセットを用いて実データを用いた場合,精度はわずかに向上した。

関連論文リスト

Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文参考訳（メタデータ） (2024-03-23T22:32:06Z)
Supervised Homography Learning with Realistic Dataset Generation [60.934401870005026]
生成フェーズとトレーニングフェーズの2つのフェーズからなる反復的なフレームワークを提案する。生成段階では、ラベルのない画像対が与えられた場合、事前に推定された支配的な平面マスクとペアのホモグラフィを利用する。トレーニングフェーズでは、生成されたデータを使用して、教師付きホモグラフィネットワークをトレーニングする。
論文参考訳（メタデータ） (2023-07-28T07:03:18Z)
Diffusion Dataset Generation: Towards Closing the Sim2Real Gap for Pedestrian Detection [0.11470070927586014]
本稿では,歩行者検出作業において,シミュリアルなギャップを埋めるための新しい合成データ生成法を提案する。提案手法は拡散型アーキテクチャを用いて実世界の分布を学習し,一度学習するとデータセットを生成する。本研究では,実世界データにおける歩行者検出モデルにおいて,生成データとシミュレーションデータの組み合わせによるトレーニングにより,平均精度が27.3%向上することを示す。
論文参考訳（メタデータ） (2023-05-16T12:33:51Z)
Quantifying the LiDAR Sim-to-Real Domain Shift: A Detailed Investigation Using Object Detectors and Analyzing Point Clouds at Target-Level [1.1999555634662635]
自律運転のためのニューラルネットワークに基づくLiDARオブジェクト検出アルゴリズムは、トレーニング、検証、テストのために大量のデータを必要とする。ニューラルネットワークのトレーニングにシミュレーションデータを使用することで、シーン、シナリオ、分布の違いによるトレーニングデータとテストデータのドメインシフトが生じることを示す。
論文参考訳（メタデータ） (2023-03-03T12:52:01Z)
Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文参考訳（メタデータ） (2022-09-22T13:12:54Z)
SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文参考訳（メタデータ） (2022-09-22T07:33:31Z)
TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文参考訳（メタデータ） (2022-08-16T20:46:08Z)
Towards Infield Navigation: leveraging simulated data for crop row detection [6.088167023055281]
シミュレーションによって生成されたデータとともに、小さな実世界のデータセットの利用を提案し、大規模な実世界のデータセットで訓練されたモデルと同様の作物列検出性能を得る。提案手法は,実世界データを用いて学習した深層学習に基づく作物列検出モデルの性能を60%低減した実世界データを用いて達成することができる。
論文参考訳（メタデータ） (2022-04-04T19:28:30Z)
Semi-Supervised Image Deraining using Gaussian Processes [18.434430658837258]
合成データセットを用いて学習のネットワークをデライン化できる半教師付き学習フレームワークを提案する。提案手法は,ラベル付き学習に比べ,ラベル付き学習に比べて性能が著しく向上することを示す。
論文参考訳（メタデータ） (2020-09-25T17:16:16Z)
Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-10T00:33:18Z)
SimAug: Learning Robust Representations from Simulation for Trajectory Prediction [78.91518036949918]
本研究では,シミュレーション学習データの拡張により,ロバスト表現を学習する新しい手法を提案する。我々は,SimAugが実世界の3つのベンチマークで有望な結果を得ることを示す。
論文参考訳（メタデータ） (2020-04-04T21:22:01Z)

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。