論文の概要: Domain Randomization for Object Detection in Manufacturing Applications using Synthetic Data: A Comprehensive Study

• arxiv url: http://arxiv.org/abs/2506.07539v1
• Date: Mon, 09 Jun 2025 08:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.864175
• Title: Domain Randomization for Object Detection in Manufacturing Applications using Synthetic Data: A Comprehensive Study
• Title（参考訳）: 合成データを用いた製造アプリケーションにおけるオブジェクト検出のためのドメインランダム化:総合的研究
• Authors: Xiaomeng Zhu, Jacob Henningsson, Duruo Li, Pär Mårtensson, Lars Hanson, Mårten Björkman, Atsuto Maki,
• Abstract要約: 本稿では,オブジェクト検出用合成データ生成における領域ランダム化の重要な側面について述べる。 オブジェクトの特徴,背景,照明,カメラ設定,後処理など,さまざまな要因を反映した包括的データ生成パイプラインを提案する。 本実験では, 実物検出の課題だけでなく, 実現可能性に関するより豊富な結果と知見を提示する。
• 参考スコア（独自算出の注目度）: 6.172233837488904
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper addresses key aspects of domain randomization in generating synthetic data for manufacturing object detection applications. To this end, we present a comprehensive data generation pipeline that reflects different factors: object characteristics, background, illumination, camera settings, and post-processing. We also introduce the Synthetic Industrial Parts Object Detection dataset (SIP15-OD) consisting of 15 objects from three industrial use cases under varying environments as a test bed for the study, while also employing an industrial dataset publicly available for robotic applications. In our experiments, we present more abundant results and insights into the feasibility as well as challenges of sim-to-real object detection. In particular, we identified material properties, rendering methods, post-processing, and distractors as important factors. Our method, leveraging these, achieves top performance on the public dataset with Yolov8 models trained exclusively on synthetic data; mAP@50 scores of 96.4% for the robotics dataset, and 94.1%, 99.5%, and 95.3% across three of the SIP15-OD use cases, respectively. The results showcase the effectiveness of the proposed domain randomization, potentially covering the distribution close to real data for the applications.
• Abstract（参考訳）: 本稿では,オブジェクト検出用合成データ生成における領域ランダム化の重要な側面について述べる。 この目的のために,オブジェクトの特徴,背景,照明,カメラ設定,後処理など,さまざまな要因を反映した包括的データ生成パイプラインを提案する。 また,SIP15-OD(Synthetic Industrial Parts Object Detection)データセットを導入し,各種環境下での3つの産業用ユースケースから15個のオブジェクトを抽出した。 本実験では, 実物検出の課題だけでなく, 実現可能性に関するより豊富な結果と知見を提示する。 特に, 材料特性, レンダリング方法, 後処理, イントラクタを重要な要因として同定した。 本手法は,3つのSIP15-ODユースケースのうち,mAP@50スコアが96.4%,94.1%,99.5%,95.3%であった。 その結果、提案した領域ランダム化の有効性が示され、アプリケーションの実際のデータに近い分布をカバーできる可能性が示唆された。

関連論文リスト

• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset [6.481744951262474]
  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。
  論文  参考訳（メタデータ） (2024-04-12T19:04:59Z)
• Investigation of the Impact of Synthetic Training Data in the Industrial Application of Terminal Strip Object Detection [4.327763441385371]
  本稿では,端末ストリップ物体検出の複雑な産業応用における標準対象検出器のシム・トゥ・リアル一般化性能について検討する。 評価のために300個の実画像に手動でアノテートを行った結果,どちらの領域でも同じ規模の興味の対象が重要であることがわかった。
  論文  参考訳（メタデータ） (2024-03-06T18:33:27Z)
• 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)
• Realistically distributing object placements in synthetic training data improves the performance of vision-based object detection models [14.547359434855695]
  合成データの分布を,実データの分布に可能な限り近いものにすることが重要である。 CARLAにおける3次元車両検出モデルの訓練とKITTIによる試験により,物体配置分布の改善による大幅な改善が示された。
  論文  参考訳（メタデータ） (2023-05-24T01:39:41Z)
• 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)
• Neural-Sim: Learning to Generate Training Data with NeRF [31.81496344354997]
  本稿では,ニューラルレージアンスフィールド(NeRF)を対象アプリケーションの損失関数を持つ閉ループに使用した,最初の完全微分可能な合成データパイプラインを提案する。 提案手法は,人的負担を伴わないオンデマンドでデータを生成し,目標タスクの精度を最大化する。
  論文  参考訳（メタデータ） (2022-07-22T22:48:33Z)

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。