在深度学习目标检测应用中使用军事模拟器进行数据增强
虽然近年来深度学习解决方案取得了很大的进展，但对大型标记数据集的要求仍然限制了它们在某些领域的实际应用。这个问题对于那些连无标签数据都是有限资源的领域，如军事领域的解决方案尤为突出。合成数据，或人工生成的数据，最近作为这一问题的潜在解决方案引起了关注。
本论文探讨了使用合成数据提高神经网络性能的可能性，该神经网络旨在检测和定位图像中的枪支。使用军事模拟器 VBS3 生成合成数据。通过利用 Faster R-CNN 架构，在由不同数量的真实和合成数据组成的一系列不同数据集上训练了多个模型。此外，合成数据集是按照两种不同的理念生成的。一个数据集追求真实性，而另一个则放弃真实性以支持更大的变化。研究表明，当与真实数据一起使用时，力求变化的合成数据集在物体检测任务中的表现有所提高。追求真实性的数据集的结果好坏参半。
版权声明：除特殊说明外，本站所有文章均为 字节点击 原创内容，采用 BY-NC-SA 知识共享协议。原文链接：https://byteclicks.com/31473.html 转载时请以链接形式标明本文地址。转载本站内容不得用于任何商业目的。本站转载内容版权归原作者所有，文章内容仅代表作者独立观点，不代表字节点击立场。报道中出现的商标、图像版权及专利和其他版权所有的信息属于其合法持有人，只供传递信息之用，非商务用途。如有侵权，请联系 gavin@byteclicks.com。我们将协调给予处理。
