論文の概要: A Comparative Study of 3D Model Acquisition Methods for Synthetic Data Generation of Agricultural Products

• arxiv url: http://arxiv.org/abs/2601.03784v1
• Date: Wed, 07 Jan 2026 10:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.47457
• Title: A Comparative Study of 3D Model Acquisition Methods for Synthetic Data Generation of Agricultural Products
• Title（参考訳）: 農産物の合成データ生成のための3次元モデル取得法の比較検討
• Authors: Steven Moonen, Rob Salaets, Kenneth Batstone, Abdellatif Bey-Temsamani, Nick Michiels,
• Abstract要約: 製造業では、人工知能(AI)に基づくコンピュータビジョンシステムがコスト削減と生産量増加に広く利用されている。 これらのAIモデルをトレーニングするには、大量のトレーニングデータが必要です。 リアルデータの必要性を減らすための一般的なアプローチは、業界で利用可能なCAD(Computer-Aided Design)モデルを活用することによって生成される合成データの利用である。
• 参考スコア（独自算出の注目度）: 0.8373057326694192
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the manufacturing industry, computer vision systems based on artificial intelligence (AI) are widely used to reduce costs and increase production. Training these AI models requires a large amount of training data that is costly to acquire and annotate, especially in high-variance, low-volume manufacturing environments. A popular approach to reduce the need for real data is the use of synthetic data that is generated by leveraging computer-aided design (CAD) models available in the industry. However, in the agricultural industry these models are not readily available, increasing the difficulty in leveraging synthetic data. In this paper, we present different techniques for substituting CAD files to create synthetic datasets. We measure their relative performance when used to train an AI object detection model to separate stones and potatoes in a bin picking environment. We demonstrate that using highly representative 3D models acquired by scanning or using image-to-3D approaches can be used to generate synthetic data for training object detection models. Finetuning on a small real dataset can significantly improve the performance of the models and even get similar performance when less representative models are used.
• Abstract（参考訳）: 製造業では、人工知能(AI)に基づくコンピュータビジョンシステムがコスト削減と生産量増加に広く利用されている。 これらのAIモデルをトレーニングするには、特に高分散で低ボリュームな製造環境において、取得と注釈にコストがかかる大量のトレーニングデータが必要である。 リアルデータの必要性を減らすための一般的なアプローチは、業界で利用可能なCAD(Computer-Aided Design)モデルを活用することによって生成される合成データの利用である。 しかし、農業業界ではこれらのモデルは容易には利用できないため、合成データの活用が困難になる。 本稿では,CADファイルを置換して合成データセットを作成する手法について述べる。 そこで我々は,AIオブジェクト検出モデルを訓練し,ジャガイモと石を分離する際の相対的性能を測定した。 物体検出モデルの学習において,画像から3Dまでをスキャンまたは利用することで,高精度な3Dモデルを用いて合成データを生成できることが実証された。 小さな実際のデータセットを微調整すると、モデルの性能が大幅に向上し、代表モデルの使用が少なくなると、同様のパフォーマンスが得られる。

関連論文リスト

• The Impact of Synthetic Data on Object Detection Model Performance: A Comparative Analysis with Real-World Data [1.853053680967785]
  本研究では, オブジェクト検出モデルの性能に及ぼす合成データの影響について, 実世界のデータのみを用いて学習したモデルと比較して検討した。 倉庫環境でのパレット検出に焦点を当てた実験で、リアルおよび様々な合成データセット生成戦略を利用する。
  論文  参考訳（メタデータ） (2025-10-14T06:59:51Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
  大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。 本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
  論文  参考訳（メタデータ） (2024-10-22T06:43:28Z)
• Enhancing Object Detection Performance for Small Objects through Synthetic Data Generation and Proportional Class-Balancing Technique: A Comparative Study in Industrial Scenarios [0.0]
  オブジェクト検出(OD)は,局所クラス情報を抽出する上で重要なコンピュータビジョン手法であることが証明されている。 最先端のSOTA(State-of-the-art OD)モデルの多くは中規模および大型のオブジェクトでよく機能するが、小さなオブジェクトでは動作しない。 本研究では,ODモデルの性能向上のために,新たなデータポイントを注入する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-23T13:02:11Z)
• On the Stability of Iterative Retraining of Generative Models on their own Data [56.153542044045224]
  混合データセットに対する生成モデルの訓練が与える影響について検討する。 まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。 我々は、正規化フローと最先端拡散モデルを繰り返し訓練することにより、合成画像と自然画像の両方に関する我々の理論を実証的に検証する。
  論文  参考訳（メタデータ） (2023-09-30T16:41:04Z)
• Robust Category-Level 3D Pose Estimation from Synthetic Data [17.247607850702558]
  CADモデルから生成されたオブジェクトポーズ推定のための新しい合成データセットであるSyntheticP3Dを紹介する。 逆レンダリングによるポーズ推定を行うニューラルネットワークモデルをトレーニングするための新しいアプローチ(CC3D)を提案する。
  論文  参考訳（メタデータ） (2023-05-25T14:56:03Z)
• Synthetic Image Data for Deep Learning [0.294944680995069]
  3次元モデルからレンダリングされたリアルな合成画像データを使用して、画像集合を拡大し、画像分類セグメンテーションモデルを訓練することができる。 実車の生産3次元CADモデルに基づく大規模合成データセットを,高品質な物理ベースレンダリングとドメインランダム化により効率的に作成できることを示す。
  論文  参考訳（メタデータ） (2022-12-12T20:28:13Z)
• Synthetic Data and Hierarchical Object Detection in Overhead Imagery [0.0]
  衛星画像における低・ゼロサンプル学習を向上させるための新しい合成データ生成および拡張技術を開発した。 合成画像の有効性を検証するために,検出モデルと2段階モデルの訓練を行い,実際の衛星画像上で得られたモデルを評価する。
  論文  参考訳（メタデータ） (2021-01-29T22:52:47Z)

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。