論文の概要: Detecting Olives with Synthetic or Real Data? Olive the Above

• arxiv url: http://arxiv.org/abs/2308.08271v1
• Date: Wed, 16 Aug 2023 10:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 13:55:03.969449
• Title: Detecting Olives with Synthetic or Real Data? Olive the Above
• Title（参考訳）: 合成データや実際のデータでオリーブを検出する? olive (複数形 olives)
• Authors: Yianni Karabatis, Xiaomin Lin, Nitin J. Sanket, Michail G. Lagoudakis, Yiannis Aloimonos
• Abstract要約: 合成オリーブツリー画像と実オリーブツリー画像からなる世界最初のオリーブ検出データセットを提示する。 合成画像と実画像を組み合わせて実験を行い、最大66%の改善を実現した。
• 参考スコア（独自算出の注目度）: 15.96548019784503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern robotics has enabled the advancement in yield estimation for precision agriculture. However, when applied to the olive industry, the high variation of olive colors and their similarity to the background leaf canopy presents a challenge. Labeling several thousands of very dense olive grove images for segmentation is a labor-intensive task. This paper presents a novel approach to detecting olives without the need to manually label data. In this work, we present the world's first olive detection dataset comprised of synthetic and real olive tree images. This is accomplished by generating an auto-labeled photorealistic 3D model of an olive tree. Its geometry is then simplified for lightweight rendering purposes. In addition, experiments are conducted with a mix of synthetically generated and real images, yielding an improvement of up to 66% compared to when only using a small sample of real data. When access to real, human-labeled data is limited, a combination of mostly synthetic data and a small amount of real data can enhance olive detection.
• Abstract（参考訳）: 現代ロボット工学は、精密農業の収量推定の進歩を可能にした。 しかし、オリーブ産業に適用した場合、オリーブ色の変化と背景の葉の天蓋との類似性は困難である。 セグメンテーションのために数千もの非常に密度の高いオリーブグローブイメージをラベル付けすることは、労働集約的な作業である。 本稿では,手動でラベル付けすることなくオリーブを検出する手法を提案する。 本研究では,合成オリーブツリー画像と実オリーブツリー画像からなる世界最初のオリーブ検出データセットを提示する。 これはオリーブツリーの自動ラベル付きフォトリアリスティック3Dモデルを生成することで達成される。 その幾何学は軽量なレンダリングのために単純化される。 また,合成画像と実画像の組み合わせを用いて実験を行い,実データを用いた場合と比較して,最大66%の改善が得られた。 リアルなラベル付きデータへのアクセスが制限されている場合、ほとんどの合成データと少量のリアルデータの組み合わせによってオリーブ検出が向上する。

関連論文リスト

• Bridging Synthetic and Real Worlds for Pre-training Scene Text Detectors [54.80516786370663]
  FreeRealは、SDと実際のデータの相補的な強みを可能にする、実際のドメイン整合型事前トレーニングパラダイムである。 GlyphMixは、合成画像を落書きのようなユニットとして実際の画像に埋め込む。 FreeRealは、4つの公開データセットで、既存の事前トレーニングメソッドよりも大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2023-12-08T15:10:55Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• ParGANDA: Making Synthetic Pedestrians A Reality For Object Detection [2.7648976108201815]
  本稿では,GAN(Generative Adversarial Network)を用いて,実データと合成データのギャップを埋めることを提案する。 我々のアプローチは、視覚的に可視なサンプルを生成するだけでなく、実際のドメインのラベルも必要としない。
  論文  参考訳（メタデータ） (2023-07-21T05:26:32Z)
• ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real Novel View Synthesis via Contrastive Learning [102.46382882098847]
  まず,合成から現実への新規な視点合成における合成データの影響について検討した。 本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。 提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
  論文  参考訳（メタデータ） (2023-03-20T12:06:14Z)
• 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)
• Dataset of Industrial Metal Objects [1.1125968799758437]
  このデータセットは、6Dオブジェクトポーズラベルを持つ実世界のRGB画像と合成されたRGB画像の両方を含んでいる。 実世界のデータは、さまざまなオブジェクト形状、材料、キャリア、構成、照明条件の異なるシーンのマルチビュー画像を記録することで得られる。 実世界の状況を慎重にシミュレートし、制御された現実的な方法で変化させることで合成データを得る。
  論文  参考訳（メタデータ） (2022-08-08T10:49:06Z)
• TAGPerson: A Target-Aware Generation Pipeline for Person Re-identification [65.60874203262375]
  本稿では,TAGPerson と呼ばれる合成人物画像を生成する新しいターゲット・アウェア・ジェネレーション・パイプラインを提案する。 具体的には、パラメータが制御可能で、ターゲットのシーンに応じて調整できるパラメータ化レンダリング手法である。 本実験では,MSMT17の一般合成画像,すなわちランク1精度の47.5%対40.9%に対して,目標認識合成画像よりもはるかに高い性能が得られることを示した。
  論文  参考訳（メタデータ） (2021-12-28T17:56:19Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• Achieving Domain Robustness in Stereo Matching Networks by Removing Shortcut Learning [14.497880004212979]
  合成領域における特徴の学習は,合成データに示される2つの「ショートカット」の影響を強く受けていることを示す。 このようなショートカットを取り除くことで、最先端のステレオマッチングフレームワークでドメインの堅牢性を実現できることを示す。
  論文  参考訳（メタデータ） (2021-06-15T23:22:54Z)
• 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)

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。