SynCity - Syntetisk data för träning av djupa neuronnät
| Diarienummer | |
| Koordinator | Linköpings universitet - Department of Science and Technology |
| Bidrag från Vinnova | 500 000 kronor |
| Projektets löptid | oktober 2017 - juni 2018 |
| Status | Avslutat |
| Slutrapport | 2017-03079.pdf (pdf, 404 kB) |
Syfte och mål
Det här projektet har utvecklat och utvärderat nya metoder för att generera syntetiska data för träning av djupa neuronnät för tillämpningar inom datorseende för autonoma fordon, samt att göra tillgängligt ett dataset för träning och utvärdering av djupa neuronnät under open-source-licens. Projektet har också utforskat vilka aspekter hos den syntetiska datan som påverkar resultatet vid träning av djupa neuronnät samt hur beräkningskomplexiteten vid rendering av bildmaterialet kan minskas med bibehållen kvalitet vid träning av arkitekturer för datorseendeproblem.
Resultat och förväntade effekter
Det dataset som har utvecklats innehåller fotorealistiskt simulerade kamerabilder (simulerar fordonets bildsensorer) samt tillhörande referens-annoteringar vilka möjliggör träning av djupa neuronnät för tillämpningar såsom semantisk segmentering och objekt-detektion, vilka är centrala tillämpningar för autonoma fordon. Utvärderingsarbetet har lett till en fördjupad förståelse om både hur data kan syntetiseras så effektivt som möjligt och hur strategier för träning bör utformas för att nå bästa prestanda vid träning av djupa neuronnät för datorseendetillämpningar.
Upplägg och genomförande
Projektet drivs av Linköpings Universitet och 7DLabs Inc. (USA) och har i diskussion med våra industriella partners tagit fram riktlinjer för vilka tillämpningar som är av störst vikt för autonoma fordon samt vilka aspekter av syntetisk data som är centrala för dessa. Baserat på detta har vi i en iterativa process förfinat våra metoder för automatisk genrering av syntetiska världar och annoteringar för semantisk segmentering och objektdetektion. Resultaten visar att syntetisk data är en möjliggörande faktor för utveckling och utvärdering av nya algoritmer för autonoma fordon.