Fugu-MT 論文翻訳(概要): DynaDog+T: A Parametric Animal Model for Synthetic Canine Image Generation

論文の概要: DynaDog+T: A Parametric Animal Model for Synthetic Canine Image Generation

arxiv url: http://arxiv.org/abs/2107.07330v1
Date: Thu, 15 Jul 2021 13:53:10 GMT
ステータス: 処理完了
システム内更新日: 2021-07-16 19:56:08.734533
Title: DynaDog+T: A Parametric Animal Model for Synthetic Canine Image Generation
Title（参考訳）: dynadog+t:犬合成画像生成のためのパラメトリック動物モデル
Authors: Jake Deane, Sinead Kearney, Kwang In Kim, Darren Cosker
Abstract要約: 犬歯の合成画像とデータを生成するためのパラメトリック犬歯モデルDynaDog+Tを導入する。私たちは、このデータを共通のコンピュータビジョンタスクであるバイナリセグメンテーションに使用しています。
参考スコア（独自算出の注目度）: 23.725295519857976
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Synthetic data is becoming increasingly common for training computer vision models for a variety of tasks. Notably, such data has been applied in tasks related to humans such as 3D pose estimation where data is either difficult to create or obtain in realistic settings. Comparatively, there has been less work into synthetic animal data and it's uses for training models. Consequently, we introduce a parametric canine model, DynaDog+T, for generating synthetic canine images and data which we use for a common computer vision task, binary segmentation, which would otherwise be difficult due to the lack of available data.
Abstract（参考訳）: さまざまなタスクのためのコンピュータビジョンモデルのトレーニングには、合成データがますます一般的になっています。特に、そのようなデータは3dポーズ推定のような人間に関連するタスクに適用され、リアルな環境でのデータの作成や取得が困難である。比較して、合成動物データへの取り組みは少なく、トレーニングモデルにも使われています。そこで本研究では,一般的なコンピュータビジョンタスクであるバイナリセグメンテーションに使用する合成犬用画像とデータを生成するためのパラメトリック犬用モデルdynadog+tを提案する。

関連論文リスト

3D Human Reconstruction in the Wild with Synthetic Data Using Generative Models [52.96248836582542]
本稿では,人間の画像とそれに対応する3Dメッシュアノテーションをシームレスに生成できるHumanWildという,最近の拡散モデルに基づく効果的なアプローチを提案する。生成モデルを排他的に活用することにより,大規模な人体画像と高品質なアノテーションを生成し,実世界のデータ収集の必要性を解消する。
論文参考訳（メタデータ） (2024-03-17T06:31:16Z)
Image Captions are Natural Prompts for Text-to-Image Models [70.30915140413383]
本研究では,合成データの学習効果とプロンプトによる合成データ分布の関係を解析した。本稿では,テキストから画像への生成モデルにより,より情報的で多様な学習データを合成する簡易かつ効果的な手法を提案する。本手法は,合成学習データに基づいて訓練したモデルの性能を大幅に向上させる。
論文参考訳（メタデータ） (2023-07-17T14:38:11Z)
Robust Category-Level 3D Pose Estimation from Synthetic Data [17.247607850702558]
CADモデルから生成されたオブジェクトポーズ推定のための新しい合成データセットであるSyntheticP3Dを紹介する。逆レンダリングによるポーズ推定を行うニューラルネットワークモデルをトレーニングするための新しいアプローチ(CC3D)を提案する。
論文参考訳（メタデータ） (2023-05-25T14:56:03Z)
Synthetic Image Data for Deep Learning [0.294944680995069]
3次元モデルからレンダリングされたリアルな合成画像データを使用して、画像集合を拡大し、画像分類セグメンテーションモデルを訓練することができる。実車の生産3次元CADモデルに基づく大規模合成データセットを,高品質な物理ベースレンダリングとドメインランダム化により効率的に作成できることを示す。
論文参考訳（メタデータ） (2022-12-12T20:28:13Z)
Synthetic Data for Object Classification in Industrial Applications [53.180678723280145]
オブジェクト分類では、オブジェクトごとに、異なる条件下で、多数の画像を取得することは必ずしも不可能である。本研究は,学習データセット内の限られたデータに対処するゲームエンジンを用いた人工画像の作成について検討する。
論文参考訳（メタデータ） (2022-12-09T11:43:04Z)
Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文参考訳（メタデータ） (2022-10-14T06:54:24Z)
Learning Dense Correspondence from Synthetic Environments [27.841736037738286]
既存の方法では、実際の2D画像に手動でラベル付けされた人間のピクセルを3D表面にマッピングする。本稿では,自動生成合成データを用いた2次元3次元人物マッピングアルゴリズムの訓練により,データ不足の問題を解決することを提案する。
論文参考訳（メタデータ） (2022-03-24T08:13:26Z)
Task2Sim : Towards Effective Pre-training and Transfer from Synthetic Data [74.66568380558172]
本稿では,グラフィックスシミュレータから下流タスクへの合成データに基づく事前学習モデルの転送可能性について検討する。本稿では、最適なシミュレーションパラメータに対する下流タスク表現を統一したモデルマッピングであるTask2Simを紹介する。このマッピングはトレーニングによって学習し、"見える"タスクのセットで最適なパラメータのセットを見つける。トレーニングが完了すると、ワンショットで新しい"見えない"タスクの最適なシミュレーションパラメータを予測するために使用することができる。
論文参考訳（メタデータ） (2021-11-30T19:25:27Z)
Fake It Till You Make It: Face analysis in the wild using synthetic data alone [9.081019005437309]
合成データだけで顔関連コンピュータビジョンを野生で実行可能であることを示す。本稿では、手続き的に生成された3次元顔モデルと手作り資産の包括的ライブラリを組み合わせることで、前例のないリアリズムによるトレーニング画像のレンダリングを行う方法について述べる。
論文参考訳（メタデータ） (2021-09-30T13:07:04Z)
Synthetic Data for Model Selection [2.4499092754102874]
合成データはモデル選択に有用であることを示す。そこで本研究では,実領域に適合する合成誤差推定をキャリブレーションする新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-03T09:52:03Z)
Cascaded deep monocular 3D human pose estimation with evolutionary training data [76.3478675752847]
深層表現学習は単眼の3次元ポーズ推定において顕著な精度を達成した。本稿では,大量のトレーニングデータに対してスケーラブルな新しいデータ拡張手法を提案する。本手法は,先行知識に触発された階層的人体表現と合成に基づいて,未知の3次元人体骨格を合成する。
論文参考訳（メタデータ） (2020-06-14T03:09:52Z)

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。