Einsatz synthetisch erzeugter Daten zur Verbesserung von Deep Learning Modellen zur Objekterkennung

Abstract

Neuronale Netze zur Objekterkennung sind auf eine ausreichende Anzahl qualitativ hochwertiger Trainings-daten angewiesen. Solche Trainingsdaten mit Aufnahmen realer Umgebungen zu beschaffen ist jedoch ein langwieriger und aufwändiger Prozess. Die gebrauchten Trainingsdaten können alternativ in einer virtuellen 3D-Umgebung synthetisch generiert werden. Diese Arbeit beantwortet die Frage, inwiefern solche Daten genaue und robuste Modelle erzeugen können. Dabei setzt sie sich mit den Einflüssen verschiedener Aspekte der Umgebungsgestaltung, wie z.B. der Orientierung an der Anwendungsdomäne oder einer besonders hohen Varianz, auseinander. Zu diesem Zweck wird eine Anwendung implementiert, die synthetische Datensätze mit unterschiedlich gestalteten Umgebungen generiert. Der Vergleich von Modellen, die mit diesen Datensätzen trainiert wurden, zeigt, dass synthetische Daten als eigenständige Datensätze gute Trainingsergebnisse liefern können. Der gemeinsame Einsatz von synthetischen und real aufgenommenen Daten kann darüber hinaus einen Zusatz an Genauigkeit und Robustheit gegenüber ausschließlich real angefertigten Daten bewirken.

Neural networks for object recognition are dependent on a sufficient amount of highquality training data. However, obtaining such training data with images of real environments is a lengthy and time-consuming process. Alternatively, the required training data can be generated synthetically in a virtual 3D environment. This thesis answers the question to what extent such data can generate precise and robust models. It deals with the influences of different aspects of the environment design, such as the orientation to the application domain or a particularly high variance. For this purpose, an application is implemented that generates synthetic data sets with differently designed environments. The comparison of models trained with these data sets shows that synthetic data can provide good training results as independent data sets. The joint use of synthetic and real recorded data can also result in additional accuracy and robustness compared to exclusively real data.