Genetic Learning for Designing Sim-to-Real Data Augmentations

数据增强在使用合成数据进行训练时，有助于缩小虚拟和真实领域之间的差距，因为它们扩大了训练数据的分布，从而鼓励模型更好地推广到其他领域。存在许多图像增强技术，由不同的设置参数化，如强度和概率。这导致了一个巨大的不同可能的增强策略空间。一些策略对于克服特定数据集的虚拟到真实差距效果更好，而其他策略则不明确。本文提出了两种不同的可解释度度量标准，可以结合起来预测某种增强策略在特定的虚拟到真实设置下的效果如何，重点关注目标检测。我们通过使用不同的增强策略训练许多模型并展示与真实数据性能的强相关性来验证我们的度量标准。此外，我们引入了GeneticAugment，这是一种基因编程方法，可以利用这些度量标准自动设计适用于特定数据集的增强策略，而无需训练模型。

如何通过数据增强技术来缩小模拟和真实数据之间的差距，以提高物体检测模型在真实数据上的泛化性能？

提出了两个可解释的度量标准，结合遗传算法自动设计数据增强策略，以提高物体检测模型在真实数据上的性能。

论文使用了两个可解释的度量标准来预测数据增强策略在特定模拟到真实场景下的性能，使用多个数据集进行了实验验证，提出了一种基于遗传算法的自动化增强策略设计方法，并在COCO数据集上取得了最佳性能。

相关研究包括使用生成对抗网络（GAN）进行数据增强、自适应数据增强等。如："Unsupervised Data Augmentation for Consistency Training"、"Adaptive Object Detection Using Adjacency and Zoom Prediction"等。