Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: L773:9798350302493 OR L773:9798350302509 > Towards Sim-to-Real...

Zhu, XiaomengKTH,Robotik, perception och lärande, RPL,Scania CV AB, Sweden ; KTH Royal Institute of Technology, Sweden (författare)

Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset

Artikel/kapitelEngelska2023

Förlag, utgivningsår, omfång ...

IEEE,2023
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:his-23236
https://urn.kb.se/resolve?urn=urn:nbn:se:his:diva-23236URI
https://doi.org/10.1109/CVPRW59228.2023.00468DOI
https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-337847URI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:kon swepub-publicationtype

Anmärkningar

© 2023 IEEE.This work is partially supported by the Wallenberg AI, Autonomous Systems and Software Program (WASP) funded by the Knut and Alice Wallenberg Foundation. The computations were enabled by resources provided by the Swedish National Infrastructure for Computing (SNIC), partially funded by the Swedish Research Council through grant agreement no. 2018-05973, as well as by the Berzelius resource provided by the Knut and Alice Wallenberg Foundation at the National Supercomputer Centre.
Part of ISBN 9798350302493QC 20231010
This paper is about effectively utilizing synthetic data for training deep neural networks for industrial parts classification, in particular, by taking into account the domain gap against real-world images. To this end, we introduce a synthetic dataset that may serve as a preliminary testbed for the Sim-to-Real challenge; it contains 17 objects of six industrial use cases, including isolated and assembled parts. A few subsets of objects exhibit large similarities in shape and albedo for reflecting challenging cases of industrial parts. All the sample images come with and without random backgrounds and post-processing for evaluating the importance of domain randomization. We call it Synthetic Industrial Parts dataset (SIP-17). We study the usefulness of SIP-17 through benchmarking the performance of five state-of-the-art deep network models, supervised and self-supervised, trained only on the synthetic data while testing them on real data. By analyzing the results, we deduce some insights on the feasibility and challenges of using synthetic data for industrial parts classification and for further developing larger-scale synthetic datasets. Our dataset † and code ‡ are publicly available.

Ämnesord och genrebeteckningar

NATURVETENSKAP Data- och informationsvetenskap Datorseende och robotik hsv//swe
NATURAL SCIENCES Computer and Information Sciences Computer Vision and Robotics hsv//eng
Benchmarking
Computer vision
Deep neural networks
Internet protocols
Five state
Industrial parts
Industrial use case
Performance
Post-processing
Randomisation
Real-world image
State of the art
Synthetic data
Synthetic datasets
Classification (of information)
User Centred Product Design
Användarcentrerad produktdesign

Biuppslag (personer, institutioner, konferenser, titlar ...)

Bilal, TalhaScania CV AB, Sweden,Scania CV AB, Scania Cv Ab (författare)
Mårtensson, PärScania CV AB, Sweden,Scania CV AB, Scania Cv Ab (författare)
Hanson, LarsHögskolan i Skövde,Institutionen för ingenjörsvetenskap,Forskningsmiljön Virtuell produkt- och produktionsutveckling,User Centred Product Design,University of Skövde, University of Skövde(Swepub:his)hano (författare)
Björkman, Mårten,1970-KTH,Robotik, perception och lärande, RPL,KTH Royal Institute of Technology, Sweden(Swepub:kth)u1cs4x4i (författare)
Maki, AtsutoKTH,Robotik, perception och lärande, RPL,KTH Royal Institute of Technology, Sweden(Swepub:kth)u1elx760 (författare)
KTHRobotik, perception och lärande, RPL (creator_code:org_t)

Sammanhörande titlar

Ingår i:Proceedings, 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops: IEEE, s. 4454-4463, s. 4454-446397983503024939798350302509
Ingår i:Proceedings: IEEE, s. 4454-4463, s. 4454-4463

Internetlänk

Hitta via bibliotek

Proceedings, 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition... (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...: Zhu, Xiaomeng; Bilal, Talha; Mårtensson, Pär; Hanson, Lars; Björkman, Mårten ...; Maki, Atsuto

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datorseende och ...

Artiklar i publikationen: Proceedings, 202 ...; Proceedings

Av lärosätet: Högskolan i Skövde; Kungliga Tekniska Högskolan

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se