Un tutorial passo passo utilizzando Blender, Python e Risorse 3D
Non disporre di dati di addestramento sufficienti è uno dei maggiori problemi del deep learning odierno.
Una soluzione promettente per le attività di visione artificiale è la generazione automatica di immagini sintetiche con annotazioni.
In questo articolo, fornirò innanzitutto una panoramica di alcune tecniche di generazione di immagini per dati di immagini sintetiche.
Quindi, generiamo un set di dati di addestramento con zero annotazioni manuali richieste e lo utilizziamo per addestrare un modello di rilevamento di oggetti R-CNN più veloce.
Infine, testiamo il nostro modello addestrato su immagini reali.
In teoria, le immagini sintetiche sono perfette. Puoi generare un numero quasi infinito di immagini senza alcuno sforzo di annotazione manuale.
I set di dati di addestramento con immagini reali e annotazioni manuali possono contenere una quantità significativa di errori di etichettatura umana e sono spesso set di dati sbilanciati con bias (ad esempio, le immagini delle automobili sono molto probabilmente scattate di lato/davanti e su una strada).
Tuttavia, le immagini sintetiche soffrono di un problema chiamato divario tra dominio sim e reale.
Il divario tra dominio sim e reale deriva dal fatto che stiamo utilizzando immagini di addestramento sintetiche, ma vogliamo utilizzare il nostro modello su immagini del mondo reale durante la distribuzione.
Esistono diverse tecniche di generazione di immagini che tentano di ridurre il divario di dominio.
Taglia e incolla
Uno dei modi più semplici per creare immagini di allenamento sintetiche è l'approccio taglia e incolla.
Come mostrato di seguito, questa tecnica necessita di alcune immagini reali dalle quali vengono ritagliati gli oggetti da riconoscere. Questi oggetti possono quindi essere incollati su immagini di sfondo casuali per generare un gran numero di nuove immagini di allenamento.
Mentre Georgakis et al. (2) sostengono che la posizione di questi oggetti dovrebbe essere realistica per ottenere risultati migliori (ad esempio, un oggetto…
Fonte: towardsdatascience.com
