論文の概要: Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset

• arxiv url: http://arxiv.org/abs/2404.08778v1
• Date: Fri, 12 Apr 2024 19:04:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 18:52:17.670727
• Title: Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset
• Title（参考訳）: シンセティックデータセットを用いた産業部品の同時分類に向けて
• Authors: Xiaomeng Zhu, Talha Bilal, Pär Mårtensson, Lars Hanson, Mårten Björkman, Atsuto Maki,
• Abstract要約: 我々は、Sim-to-Realチャレンジの予備的なテストベッドとして機能する合成データセットを導入する。 6つの産業用ユースケースのうち17のオブジェクトが含まれており、その中には独立した部品や組み立て部品が含まれる。 すべてのサンプル画像は、ランダムな背景と、ドメインのランダム化の重要性を評価する後処理を伴わない。
• 参考スコア（独自算出の注目度）: 6.481744951262474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper is about effectively utilizing synthetic data for training deep neural networks for industrial parts classification, in particular, by taking into account the domain gap against real-world images. To this end, we introduce a synthetic dataset that may serve as a preliminary testbed for the Sim-to-Real challenge; it contains 17 objects of six industrial use cases, including isolated and assembled parts. A few subsets of objects exhibit large similarities in shape and albedo for reflecting challenging cases of industrial parts. All the sample images come with and without random backgrounds and post-processing for evaluating the importance of domain randomization. We call it Synthetic Industrial Parts dataset (SIP-17). We study the usefulness of SIP-17 through benchmarking the performance of five state-of-the-art deep network models, supervised and self-supervised, trained only on the synthetic data while testing them on real data. By analyzing the results, we deduce some insights on the feasibility and challenges of using synthetic data for industrial parts classification and for further developing larger-scale synthetic datasets. Our dataset and code are publicly available.
• Abstract（参考訳）: 本稿では,産業部分類における深層ニューラルネットワークのトレーニングに,実世界の画像に対する領域ギャップを考慮した合成データを活用することを目的とする。 この目的のために、Sim-to-Realチャレンジの予備的テストベッドとして機能する合成データセットを導入し、独立した部品や組み立て部品を含む6つの産業ユースケースの17のオブジェクトを含む。 いくつかのオブジェクトのサブセットは、産業部品の挑戦的なケースを反映するために、形状とアルベドに大きな類似性を示す。 すべてのサンプル画像は、ランダムな背景と、ドメインのランダム化の重要性を評価する後処理を伴わない。 これをSIP-17(Synthetic Industrial Parts dataset)と呼ぶ。 我々は,SIP-17の有効性を,実データでテストしながら,合成データのみに基づいて,教師付きおよび自己教師付き5つの最先端ネットワークモデルの性能をベンチマークすることで検討した。 本研究は, 産業部品分類における合成データの利用可能性と課題について考察し, 大規模合成データセットのさらなる開発について考察する。 データセットとコードは公開されています。

関連論文リスト

• Exploring the Potential of Synthetic Data to Replace Real Data [16.89582896061033]
  実データを置き換えるための合成データのポテンシャルは、ドメイン間の実画像の数や、トレーニングされたモデルを評価するためのテストセットによって異なることがわかった。 train2test 距離と $textAP_textt2t$ という2つの新しい指標を導入し、合成データを用いたクロスドメイントレーニングセットの性能を評価する。
  論文  参考訳（メタデータ） (2024-08-26T18:20:18Z)
• Massively Annotated Datasets for Assessment of Synthetic and Real Data in Face Recognition [0.2775636978045794]
  実データと合成データを用いて学習したモデルの性能のドリフトについて検討する。 属性集合上の実データと合成データセットの差について検討する。 興味深いことに、我々は実際のサンプルが合成分布を説明するのに十分であるにもかかわらず、その逆はもはや真実ではないことを検証した。
  論文  参考訳（メタデータ） (2024-04-23T17:10:49Z)
• Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
  セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。 この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。 セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
  論文  参考訳（メタデータ） (2023-12-14T18:56:07Z)
• Synthetic Data Generation for Bridging Sim2Real Gap in a Production Environment [0.0]
  ドメイン知識は、コンピュータビジョンアプリケーションにおけるシミュレーションを現実のギャップにブリッジするのに不可欠である。 本稿では,生産環境における部品および組立部品の合成データ生成手法について述べる。
  論文  参考訳（メタデータ） (2023-11-18T11:15:08Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• 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)
• Analysis of Training Object Detection Models with Synthetic Data [0.0]
  本稿では,オブジェクト検出に合成データを使用する方法の概要を概説する。 データ生成の側面とモデルをトレーニングするテクニックを分析します。 実験は実データ上で検証され、実データでトレーニングされたモデルにベンチマークされる。
  論文  参考訳（メタデータ） (2022-11-29T10:21:16Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• 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)
• Segmenting Unseen Industrial Components in a Heavy Clutter Using RGB-D Fusion and Synthetic Data [0.4724825031148411]
  産業コンポーネントはテクスチャレスで反射性があり、乱雑で非構造的な環境でよく見られる。 本稿では,テクスチャをランダム化して形状情報にフォーカスする合成データ生成パイプラインを提案する。 信頼性マップ推定器を備えたRGB-D Fusion Mask R-CNNも提案する。
  論文  参考訳（メタデータ） (2020-02-10T02:33:21Z)

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。