論文の概要: Methodology for generating synthetic labeled datasets for visual container inspection

• arxiv url: http://arxiv.org/abs/2306.14584v1
• Date: Mon, 26 Jun 2023 10:51:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 14:08:08.857335
• Title: Methodology for generating synthetic labeled datasets for visual container inspection
• Title（参考訳）: ビジュアルコンテナ検査のための合成ラベル付きデータセット生成手法
• Authors: Guillem Delgado, Andoni Cort\'es, Sara Garc\'ia, Est\'ibaliz Loyo, Maialen Berasategi, Nerea Aranjuelo
• Abstract要約: 本稿では,コンテナの視覚的検査タスクのための,現実的,多様性のある,バランスの取れた,ラベル付きデータセットを生成するための革新的な方法論を提案する。 生成された合成ラベル付きデータセットは、現実世界のシナリオで使用できるディープニューラルネットワークのトレーニングを可能にすることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nowadays, containerized freight transport is one of the most important transportation systems that is undergoing an automation process due to the Deep Learning success. However, it suffers from a lack of annotated data in order to incorporate state-of-the-art neural network models to its systems. In this paper we present an innovative methodology to generate a realistic, varied, balanced, and labelled dataset for visual inspection task of containers in a dock environment. In addition, we validate this methodology with multiple visual tasks recurrently found in the state of the art. We prove that the generated synthetic labelled dataset allows to train a deep neural network that can be used in a real world scenario. On the other side, using this methodology we provide the first open synthetic labelled dataset called SeaFront available in: https://datasets.vicomtech.org/di21-seafront/readme.txt.
• Abstract（参考訳）: 現在、コンテナ化された貨物輸送は、Deep Learningの成功により自動化プロセスが進められている最も重要な輸送システムの一つである。 しかし、最先端のニューラルネットワークモデルをシステムに組み込むために、注釈付きデータの欠如に悩まされている。 本稿では,ドック環境におけるコンテナの視覚的検査タスクのための,現実的,多様性のある,バランスの取れた,ラベル付きデータセットを生成するための革新的な方法論を提案する。 さらに,この手法を,最先端の複数のビジュアルタスクで繰り返し実施することで検証する。 生成された合成ラベル付きデータセットは、実際のシナリオで使用できるディープニューラルネットワークをトレーニングできることを証明します。 一方、この方法論を使用すると、seafrontと呼ばれる最初のオープン合成ラベル付きデータセットが利用可能になる。

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)
• Exploiting Multimodal Synthetic Data for Egocentric Human-Object Interaction Detection in an Industrial Scenario [14.188006024550257]
  EgoISM-HOIは,手や物体のアノテーションが豊富な産業環境下で合成されたEHOI画像からなる,新しいマルチモーダルデータセットである。 本研究は,提案手法を事前学習するために合成データを活用することにより,実世界のデータでテストした場合の性能が著しく向上することを示す。 この分野での研究を支援するため、私たちはデータセット、ソースコード、事前トレーニングされたモデルをhttps://iplab.dmi.unict.it/egoism-hoi.comで公開しています。
  論文  参考訳（メタデータ） (2023-06-21T09:56:55Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• 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)
• Data Generation for Satellite Image Classification Using Self-Supervised Representation Learning [0.0]
  衛星画像パッチの合成ラベルを作成するための自己教師付き学習手法を提案する。 これらの合成ラベルは、既存の教師付き学習技術のトレーニングデータセットとして使用することができる。 実験では,合成ラベルで訓練されたモデルが実ラベルで訓練されたモデルと類似した性能を示すことを示した。
  論文  参考訳（メタデータ） (2022-05-28T12:54:34Z)
• StorSeismic: A new paradigm in deep learning for seismic processing [0.0]
  StorSeismicは地震データ処理のフレームワークである。 我々は, 自己監督段階において, 人工的に生成された地震データとともに, 事前訓練を行った。 そして,ラベル付き合成データを用いて,事前学習したネットワークを教師付き方式で微調整し,各種の耐震処理を行う。
  論文  参考訳（メタデータ） (2022-04-30T09:55:00Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• SyntEO: Synthetic Dataset Generation for Earth Observation with Deep Learning -- Demonstrated for Offshore Wind Farm Detection [0.0]
  提案されたSyntEOアプローチにより、地球観測研究者は大規模なディープラーニング対応データセットを自動生成できる。 SyntEOは、データ生成プロセスに専門家の知識を高度に構造化された方法で組み込むことによって、これを実現します。 我々は,世界最大規模の沖合風力発電所のセンチネル1号画像から沖合風力発電所を予測し,SyntEOの手法を実証した。
  論文  参考訳（メタデータ） (2021-12-06T07:33:34Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
  本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-02T12:26:50Z)
• Dataset Condensation with Gradient Matching [36.14340188365505]
  本研究では,大規模なデータセットを,深層ニューラルネットワークをスクラッチからトレーニングするための情報的合成サンプルの小さなセットに凝縮させることを学習する,データセット凝縮という,データ効率のよい学習のためのトレーニングセット合成手法を提案する。 いくつかのコンピュータビジョンベンチマークでその性能を厳格に評価し、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:30:52Z)

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。

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。