Parcel2D

计算机视觉中的最新方法在很大程度上依赖于足够大的训练数据集。对于现实世界的应用，获得这样的数据集通常是一项繁琐的任务。在本文中，我们提出了一个完全自动化的管道，以通过四个步骤生成用于实例分割的合成数据集。与现有工作相比，我们的管道涵盖了从数据获取到最终数据集的每个步骤。我们首先从流行的图像搜索引擎为感兴趣的对象抓取图像，并且由于我们仅依赖于基于文本的查询，因此生成的数据包括各种各样的图像。因此，作为第二步，图像选择是必要的。这种图像抓取和选择的方法放松了对必须公开可用或为此目的创建的真实领域特定数据集的需求。我们采用了与对象无关的背景去除模型，并比较了三种不同的图像选择方法: 与对象无关的预处理，手动图像选择和基于卷积神经网络的图像选择。在第三步中，我们在任意背景上生成感兴趣对象和干扰物的随机排列。最后，通过使用四种不同的混合方法粘贴对象来完成图像的合成。通过考虑包裹分割，我们为数据集生成方法提供了一个案例研究。对于评估，我们创建了一个自动注释的包裹照片数据集。我们发现 (1) 我们的数据集生成管道允许成功转移到真实的测试图像 (掩码AP 86.2)，(2) 非常准确的图像选择过程-与人类的直觉相反-并不重要，更广泛的类别定义可以帮助弥合领域差距，(3) 与简单的复制粘贴相比，使用混合方法是有益的。