论文标题：Data Augmentation for Object Detection via Differentiable Neural Rendering 论文链接：https://arxiv.org/abs/2103.02852 代码链接：[https://github.com/Guanghan/DANR](https://github.com/Guanghan/DANR） 作者单位：京东 & 匹兹堡大学 据作者，这是第一个将神经渲染应用于目标检测数据增广任务的工作，此方法适用于通用目标检测，且与在线增广方法兼容，可显著提升检测器性能，代码即将开源！

在缺少注释数据的情况下，训练鲁棒的目标检测器具有挑战性。解决该问题的现有方法包括：半监督学习，用于从未标记数据中插入标记数据；自监督学习，其通过pretext任务利用未标记数据中的信号。在不更改监督学习范式的情况下，我们引入了一种用于目标检测的离线数据增强方法，该方法在语义上以新颖的观点对训练数据进行插值。具体而言，我们提出的系统基于可微分的神经渲染以及不涉及人工干预的相应边界框注释生成训练图像的可控视图。首先，我们在估计深度图的同时将像素对齐的图像特征提取并投影到点云中。然后，我们使用目标相机姿势重新投影它们，并渲染一个新颖的2D图像。在点云中标记关键点形式的对象，以在新视图中恢复注释。它与仿射变换，图像混合等在线数据增强方法完全兼容。广泛的实验表明，作为一种免费的丰富图像和标签的工具，我们的方法可以显著提高目标检测系统的性能，而这种资源很少训练数据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除