論文の概要: Meta-simulation for the Automated Design of Synthetic Overhead Imagery

• arxiv url: http://arxiv.org/abs/2209.08685v1
• Date: Mon, 19 Sep 2022 00:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 18:21:22.493121
• Title: Meta-simulation for the Automated Design of Synthetic Overhead Imagery
• Title（参考訳）: 合成オーバーヘッド画像の自動設計のためのメタシミュレーション
• Authors: Handi Yu, Leslie M. Collins and Jordan M. Malof
• Abstract要約: 本研究では,ラベルのない実世界の画像に基づいて,合成画像の設計を自動選択する手法を提案する。 現在の最先端の手法とは対照的に、我々のアプローチはオフラインで一度事前訓練し、新しいターゲット画像に対する高速な設計推測を提供する。
• 参考スコア（独自算出の注目度）: 5.215058915075776
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The use of synthetic (or simulated) data for training machine learning models has grown rapidly in recent years. Synthetic data can often be generated much faster and more cheaply than its real-world counterpart. One challenge of using synthetic imagery however is scene design: e.g., the choice of content and its features and spatial arrangement. To be effective, this design must not only be realistic, but appropriate for the target domain, which (by assumption) is unlabeled. In this work, we propose an approach to automatically choose the design of synthetic imagery based upon unlabeled real-world imagery. Our approach, termed Neural-Adjoint Meta-Simulation (NAMS), builds upon the seminal recent meta-simulation approaches. In contrast to the current state-of-the-art methods, our approach can be pre-trained once offline, and then provides fast design inference for new target imagery. Using both synthetic and real-world problems, we show that NAMS infers synthetic designs that match both the in-domain and out-of-domain target imagery, and that training segmentation models with NAMS-designed imagery yields superior results compared to na\"ive randomized designs and state-of-the-art meta-simulation methods.
• Abstract（参考訳）: 近年,機械学習モデルの学習における合成(あるいはシミュレーション)データの利用が急速に増加している。 合成データは実際のデータよりも高速で安価に生成されることが多い。 しかし、合成画像を使用する1つの課題はシーンデザインである:例えば、コンテンツの選択とその特徴と空間配置である。 効果的にするために、この設計は現実的であるだけでなく、(仮定により)ラベルのない対象領域に適している。 本研究では,ラベルのない実世界の画像に基づいて,合成画像の設計を自動選択する手法を提案する。 このアプローチはneural-adjoint meta-simulation(nams)と呼ばれ、最近のメタシミュレーションアプローチを基礎としている。 現在の最先端の手法とは対照的に、我々のアプローチはオフラインで一度事前訓練し、新しいターゲット画像に対する高速な設計推測を提供する。 合成と実世界の両問題を用いて、NAMSはドメイン内とドメイン外の両方のターゲット画像にマッチする合成設計を推論し、NAMSが設計した画像を用いたトレーニングセグメンテーションモデルでは、na\\ なランダム化設計や最先端メタシミュレーションよりも優れた結果が得られることを示す。

関連論文リスト

• 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)
• Diversify, Don't Fine-Tune: Scaling Up Visual Recognition Training with Synthetic Images [37.29348016920314]
  そこで本研究では,既製の生成モデルを利用して合成訓練画像を生成する新しいフレームワークを提案する。 クラス名の曖昧さ、ナイーブなプロンプトの多様性の欠如、ドメインシフトに対処する。 我々のフレームワークは、より合成データによる認識モデルの性能を一貫して向上させる。
  論文  参考訳（メタデータ） (2023-12-04T18:35:27Z)
• Unsupervised Traffic Scene Generation with Synthetic 3D Scene Graphs [83.9783063609389]
  本稿では,ドメイン不変シーン表現に基づくトラフィックシーンの画像をレンダリングせずに直接合成する手法を提案する。 具体的には、内部表現として合成シーングラフに依存し、現実的な交通シーン合成のための教師なしニューラルネットワークアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2023-03-15T09:26:29Z)
• Domain Adaptation of Synthetic Driving Datasets for Real-World Autonomous Driving [0.11470070927586014]
  特定のコンピュータビジョンタスクのための合成データで訓練されたネットワークは、実世界のデータでテストすると大幅に劣化する。 本稿では,このような手法を改良するための新しい手法を提案し,評価する。 本稿では,このペア選択にセマンティック・インスペクションを効果的に組み込む手法を提案し,モデルの性能向上に寄与する。
  論文  参考訳（メタデータ） (2023-02-08T15:51:54Z)
• 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)
• Rethinking Blur Synthesis for Deep Real-World Image Deblurring [4.00114307523959]
  本稿では,撮影過程をシミュレートする,新しいリアルなボケ合成パイプラインを提案する。 機能領域における非局所的依存関係と局所的コンテキストを同時にキャプチャする効果的なデブロアリングモデルを開発する。 3つの実世界のデータセットに関する総合的な実験により、提案したデブロアリングモデルは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-09-28T06:50:16Z)
• Semantic Image Synthesis via Diffusion Models [159.4285444680301]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• DiVAE: Photorealistic Images Synthesis with Denoising Diffusion Decoder [73.1010640692609]
  本稿では,拡散デコーダ(DiVAE)を用いたVQ-VAEアーキテクチャモデルを提案する。 我々のモデルは最先端の成果を達成し、さらに多くのフォトリアリスティックな画像を生成する。
  論文  参考訳（メタデータ） (2022-06-01T10:39:12Z)
• Co-Training for Unsupervised Domain Adaptation of Semantic Segmentation Models [0.0]
  セマンティックセグメンテーションモデルの合成-実 UDA のための新しい協調学習法を提案する。 共同トレーニングでは,mIoUの15～20ポイントがベースライン上で改善されている。
  論文  参考訳（メタデータ） (2022-05-31T13:30:36Z)
• A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
  本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。 シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。 我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-12-09T18:59:21Z)

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。