ritterdennis/topex-printer
收藏资源简介：
我们引入了一个具有挑战性的数据集，用于从真实照片中识别机器部件，该数据集包含102个标签机器部件的图像。该数据集考虑了现实世界场景的复杂性，并突出了区分密切相关类别的复杂性，为提高域适应方法提供了机会。数据集包括3,264张CAD渲染图像（每个部件32张）和6,146张真实图像（每个部件6到137张），用于无监督域适应（UDA）和测试。渲染图像使用基于Blender的流程生成，包括环境贴图、灯光和虚拟相机，以确保不同的网格方向。我们还使用材料元数据，并将21种纹理材料之一应用于对象。所有图像均以512x512像素渲染。真实照片集包括在不同条件下使用不同相机拍摄的原始图像，包括不同的光照、背景和环境因素。更新内容包括修复某些对象的材料问题、添加训练和测试的估计深度数据、添加未处理的测试图像数据、添加从渲染管道导出的深度数据、添加包括ControlNet生成的木材背景的训练图像、添加包括ControlNet生成的手的训练图像、以及添加经过T2i-Adapter风格转移处理的训练图像。
我们引入了一个具有挑战性的数据集，用于从真实照片中识别机器部件，该数据集包含102个标签机器部件的图像。该数据集考虑了现实世界场景的复杂性，并突出了区分密切相关类别的复杂性，为提高域适应方法提供了机会。数据集包括3,264张CAD渲染图像（每个部件32张）和6,146张真实图像（每个部件6到137张），用于无监督域适应（UDA）和测试。渲染图像使用基于Blender的流程生成，包括环境贴图、灯光和虚拟相机，以确保不同的网格方向。我们还使用材料元数据，并将21种纹理材料之一应用于对象。所有图像均以512x512像素渲染。真实照片集包括在不同条件下使用不同相机拍摄的原始图像，包括不同的光照、背景和环境因素。更新内容包括修复某些对象的材料问题、添加训练和测试的估计深度数据、添加未处理的测试图像数据、添加从渲染管道导出的深度数据、添加包括ControlNet生成的木材背景的训练图像、添加包括ControlNet生成的手的训练图像、以及添加经过T2i-Adapter风格转移处理的训练图像。
数据集描述
我们引入了一个用于识别实际照片中机器零件的挑战性数据集，包含来自标签机的102种零件的图像。该数据集考虑到现实场景的复杂性，强调了区分密切相关类别的复杂性，为改进领域适应方法提供了机会。数据集包括3,264张CAD渲染图像（每种零件32张）和6,146张实际图像（每种零件6到137张），用于无监督域适应（UDA）和测试。渲染图像使用基于Blender的管道生成，包括环境地图、灯光和虚拟相机，以确保不同的网格方向。我们还使用材料元数据，并将21种纹理材料之一应用于对象。所有图像渲染为512x512像素。实际照片集包括在不同条件下使用不同相机捕获的原始图像，包括不同的光照、背景和环境因素。
更新内容
- 修复了一些对象的材料问题（实际为黑色钢材，但合成图像为自然钢材）。
- 添加了来自ZoeDepth的训练和测试估计深度数据。
- 添加了未处理（未裁剪）的测试图像数据和边界框标签。
- 添加了从渲染管道（Blender）通过合成图导出的深度数据（原始EXR和归一化PNG）。
- 添加了包括ControlNet生成的木质背景的训练图像。
- 添加了包括ControlNet生成的手的训练图像。
- 添加了通过T2i-Adapter风格转换处理的训练图像。
下载
许可信息
引用信息
请在使用数据集时引用我们的工作。
@misc{ritter2023cad, title={CAD Models to Real-World Images: A Practical Approach to Unsupervised Domain Adaptation in Industrial Object Classification}, author={Dennis Ritter and Mike Hemberger and Marc Hönig and Volker Stopp and Erik Rodner and Kristian Hildebrand}, year={2023}, eprint={2310.04757}, archivePrefix={arXiv}, primaryClass={cs.CV} }
