論文の概要: Training-Free Metrics for Synthetic Object Detection Data: A Proxy for Detector Performance
- arxiv url: http://arxiv.org/abs/2606.19817v1
- Date: Thu, 18 Jun 2026 05:46:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.669678
- Title: Training-Free Metrics for Synthetic Object Detection Data: A Proxy for Detector Performance
- Title（参考訳）: 合成物体検出データの学習自由度:検出器性能向上のためのプロキシ
- Authors: Myeongseok Nam, Donghoon Yeo, Seungwook Kim,
- Abstract要約: 条件合成ドメインマッチング(CCDM)は、下流検出のための候補合成トレーニングセットの相対的ユーティリティのプロキシとして機能する。
VisDrone-DETデータセットの実験により、CCDM計量系は、YOLOv8の下流性能と1.0のスピアマン相関を達成した。
- 参考スコア（独自算出の注目度）: 3.052250424013348
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: With the recent advent of image generative models, synthetic data are increasingly being used to supplement limited real datasets for training computer vision models. However, not all synthetic datasets improve performance equally, and their effectiveness can only be assessed by training a downstream model, which is computationally expensive and time-consuming. This problem is pronounced in the task of object detection, where the required annotations are much more dense due to bounding boxes. In this paper, we propose a pre-computable metric family, dubbed Conditional-Composition Domain Match (CCDM), which serves as a proxy for the relative utility of candidate synthetic training sets for downstream detection. Experiments on the VisDrone-DET dataset show that the CCDM metric families achieve a Spearman correlation of 1.0 with the downstream performance of YOLOv8, clearly outperforming existing metrics for synthetic image evaluation.
- Abstract（参考訳）: 近年、画像生成モデルが出現し、コンピュータビジョンモデルを訓練するための限られた実際のデータセットを補うために合成データがますます使われてきている。
しかし、すべての合成データセットのパフォーマンスが等しく向上するわけではなく、その有効性は、計算に高価で時間を要する下流モデルのトレーニングによってのみ評価できる。
この問題はオブジェクト検出のタスクにおいて発音され、必要なアノテーションはバウンディングボックスによってより密集している。
本稿では,条件合成ドメインマッチング (CCDM) と呼ばれる事前計算可能なメトリックファミリを提案し,下流検出のための候補合成トレーニングセットの相対的利用のプロキシとして機能する。
VisDrone-DETデータセットの実験により、CCDM計量系は、YOLOv8の下流性能と1.0のスピアマン相関を達成し、合成画像評価の既存の指標よりも明らかに優れていることが示された。
関連論文リスト
- Discriminative Span as a Predictor of Synthetic Data Utility via Classifier Reconstruction [0.552480439325792]
広く採用されている解決策は、画像から画像への変換を負のサンプルに適用することで、合成正のデータを生成することである。
モデル学習を必要とせずに合成データの有効性を予測できる幾何駆動計量を提案する。
実陰性および合成正の混合データに基づいて学習したCNNの下流分類性能と強い相関性を示す。
論文 参考訳（メタデータ） (2026-05-10T18:32:31Z) - Sim-to-Real Fruit Detection Using Synthetic Data: Quantitative Evaluation and Embedded Deployment with Isaac Sim [0.0]
本研究では,制約付きデータ条件および組込み配置条件下でのオブジェクト検出におけるSim-to-real転送のための合成データの有効性について検討した。
その結果、実データのみにトレーニングされたモデルが最も精度が高いのに対し、合成専用モデルはドメインギャップによる性能低下を示すことがわかった。
訓練されたモデルはJetson Orin NXRTに配備され、リアルタイムの推論性能を実現した。
論文 参考訳（メタデータ） (2026-03-30T16:52:29Z) - Real-Time Monocular Scene Analysis for UAV in Outdoor Environments [0.0]
我々はCo-SemDepthという,2つのタスクを正確かつ迅速に実行可能な共同ディープラーニングアーキテクチャを提案する。
Co-SemDepthは、MidSeaと呼ばれる合成海洋データに基づいて訓練され、合成データと実データの両方でテストされている。
論文 参考訳（メタデータ） (2026-03-09T14:08:50Z) - SDQM: Synthetic Data Quality Metric for Object Detection Dataset Evaluation [3.2150327776278576]
本稿では,オブジェクト検出タスクのデータ品質を評価するために,Synthetic dataset Quality Metric (SDQM)を提案する。
実験の結果,SDQMは,主物体検出モデルYOLOv11の平均精度 (mAP) と強い相関を示した。
データセットの品質向上のための実用的な洞察を提供し、コストのかかる反復的なトレーニングの必要性を最小限にする。
論文 参考訳（メタデータ） (2025-10-08T03:01:26Z) - 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) - 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) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z)
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。