¿Es posible entrenar modelos de aprendizaje profundo con datos sintéticos?

• Noelia Vallez ^[1] ; Alberto Velasco-Mata ^[1] ; Juan Jose Corroto ^[1] ; Oscar Deniz ^[1]
  1. [1] Universidad de Castilla-La Mancha

     Universidad de Castilla-La Mancha

     Ciudad Real, España

     
• Localización: XL Jornadas de Automática: libro de actas. Ferrol, 4-6 de septiembre de 2019 / coord. por José Luis Calvo Rolle, José-Luis Casteleiro-Roca, Isabel Fernández-Ibáñez, Óscar Fontenla Romero, Esteban Jove Pérez, Alberto J. Leira-Rejas, José Antonio López Vázquez, Vanesa Loureiro-Vázquez, María-Carmen Meizoso-López, Francisco Javier Pérez Castelo, Andrés José Piñón Pazos, Héctor Quintián Pardo, Juan Manuel Rivas Rodríguez, Benigno Antonio Rodríguez Gómez, Rafael A. Vega-Vega, 2019, ISBN 978-84-9749-716-9, págs. 859-865
• Idioma: español
• Títulos paralelos:
  • Is it possible to train deep Learning models with Synthetic data?
• Enlaces
  • Texto completo
• Resumen
  • español

    La demanda de datos para el entrenamiento de las nuevas técnicas de aprendizaje profundo se ha incrementado durante los últimos años. Aunque se ha creado una comunidad extensa alrededor del intercambio de datos, e incluso muchos de los conjuntos de datos de grandes empresas se han publicado de forma gratuita, continua habiendo problemas especificos para los que no se dispone de conjuntos específicos para el entrenamiento de los modelos que los resuelvan. Este es el caso de la detección de armas en escenas videovigiladas donde la detección temprana de situaciones y objetos peligrosos es de vital importancia. Varias han sido las soluciones propuestas en los últimos años al respecto pero la adquisición de los datos necesarios para su desarrollo sigue siendo un problema. Por ello, en este trabajo se propone generar imágenes de videovigilancia con un motor gráfico y comprobar si estos datos sintéticos pueden sustituir la captura y el etiquetado de imágenes reales

  • English

    With the development of the new deep learning techniques, the data demand for trai ning these models has increased. Although a large community has been created around data and even big companies have relea se their own datasets free of charge, there are speci c problems for which training datasets are not available. This is the case of weapon detection in video-surveillance where the early detection of dangerous situations and objects is of vital importance. Several solutions have been proposed in the last years but the data barrier is still a problem. Therefore, in this work we propose to generate video surveillance images with a graphical engine and check if the synthetic data generated can replace collecting and labeling real images