論文の概要: Synthetic-to-Real Domain Adaptation using Contrastive Unpaired
Translation
- arxiv url: http://arxiv.org/abs/2203.09454v1
- Date: Thu, 17 Mar 2022 17:13:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 15:21:59.875062
- Title: Synthetic-to-Real Domain Adaptation using Contrastive Unpaired
Translation
- Title(参考訳): コントラスト的非ペア翻訳を用いた合成領域適応
- Authors: Benedikt T. Imbusch, Max Schwarz, Sven Behnke
- Abstract要約: 手動のアノテーションを使わずにトレーニングデータを取得するための多段階手法を提案する。
3Dオブジェクトメッシュから,現代的な合成パイプラインを用いて画像を生成する。
合成画像の実際の領域への適応に最先端のイメージ・ツー・イメージ変換法を用いる。
- 参考スコア(独自算出の注目度): 28.19031441659854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The usefulness of deep learning models in robotics is largely dependent on
the availability of training data. Manual annotation of training data is often
infeasible. Synthetic data is a viable alternative, but suffers from domain
gap. We propose a multi-step method to obtain training data without manual
annotation effort: From 3D object meshes, we generate images using a modern
synthesis pipeline. We utilize a state-of-the-art image-to-image translation
method to adapt the synthetic images to the real domain, minimizing the domain
gap in a learned manner. The translation network is trained from unpaired
images, i.e. just requires an un-annotated collection of real images. The
generated and refined images can then be used to train deep learning models for
a particular task. We also propose and evaluate extensions to the translation
method that further increase performance, such as patch-based training, which
shortens training time and increases global consistency. We evaluate our method
and demonstrate its effectiveness on two robotic datasets. We finally give
insight into the learned refinement operations.
- Abstract(参考訳): ロボット工学におけるディープラーニングモデルの有用性は、トレーニングデータの可用性に大きく依存している。
トレーニングデータのマニュアルアノテーションはしばしば無効である。
合成データは有効な代替手段であるが、ドメインのギャップに苦しむ。
手動のアノテーションを使わずにトレーニングデータを得るためのマルチステップ手法を提案する: 3次元オブジェクトメッシュから、現代的な合成パイプラインを用いて画像を生成する。
本稿では,最先端の画像から画像への変換手法を用いて,合成画像を実領域に適応させ,学習した領域ギャップを最小化する。
翻訳ネットワークは、無注の画像から訓練される。
生成された画像と洗練された画像は、特定のタスクのためのディープラーニングモデルのトレーニングに使用することができる。
また,学習時間を短縮し,グローバル一貫性を向上させるパッチベースのトレーニングなど,さらなるパフォーマンス向上を実現する翻訳手法の拡張を提案し,評価する。
本手法を評価し,その効果を2つのロボットデータセットで実証する。
最後に、学習した洗練操作について見識を与えます。
関連論文リスト
- Data Attribution for Text-to-Image Models by Unlearning Synthesized Images [71.23012718682634]
テキスト・ツー・イメージ・モデルにおけるデータ帰属の目標は、新しい画像の生成に最も影響を与えるトレーニング画像を特定することである。
本稿では,高能率画像の同定を効果的に行う新しい手法を提案する。
論文 参考訳(メタデータ) (2024-06-13T17:59:44Z) - Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。
合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。
提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
論文 参考訳(メタデータ) (2024-03-28T22:25:05Z) - Premonition: Using Generative Models to Preempt Future Data Changes in
Continual Learning [63.850451635362425]
継続的な学習には、データ分散の継続的な変化に対応するためのモデルが必要である。
本稿では,大規模言語モデルと画像生成モデルの組み合わせが有用であることを示す。
トレーニング済みネットワークのバックボーンは、下流の連続学習問題に有用な表現を学習できることがわかった。
論文 参考訳(メタデータ) (2024-03-12T06:29:54Z) - Exploring Semantic Consistency in Unpaired Image Translation to Generate
Data for Surgical Applications [1.8011391924021904]
本研究では,外科的応用における適切なデータを生成するための画像翻訳手法を実験的に検討した。
構造相似性損失と対照的学習の単純な組み合わせが、最も有望な結果をもたらすことがわかった。
論文 参考訳(メタデータ) (2023-09-06T14:43:22Z) - Joint one-sided synthetic unpaired image translation and segmentation
for colorectal cancer prevention [16.356954231068077]
我々は3D技術と生成対向ネットワークを組み合わせたリアルな合成画像を作成する。
CUT-segは,分割モデルと生成モデルとを共同で訓練し,現実的な画像を生成する共同訓練である。
この研究の一環として、20000のリアルな大腸画像を含む完全に合成されたデータセットであるSynth-Colonをリリースする。
論文 参考訳(メタデータ) (2023-07-20T22:09:04Z) - 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) - 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) - Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image
Decomposition [67.9464567157846]
合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。
実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
論文 参考訳(メタデータ) (2020-06-29T12:53:58Z) - Domain Adaptation with Morphologic Segmentation [8.0698976170854]
本稿では,任意の入力領域(実領域と合成領域)の画像を一様出力領域に変換するために,形態的セグメンテーションを用いた新しいドメイン適応フレームワークを提案する。
私たちのゴールは、複数のソースからのデータを共通の表現に統一する前処理のステップを確立することです。
都市景観のシミュレートと実データの4つのデータ集合上で, 定性的に定量的に評価し, 提案手法の有効性を示す。
論文 参考訳(メタデータ) (2020-06-16T17:06:02Z) - 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)
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。