Využití realistické simulace vstupních vizuálních dat pro strojové učení

Abstract

V tejto bakalárskej práci bolo predstavené použitie syntetických dát pre skvalitnenie učenia neurónových sietí. Na príklade zistenia polohy a orientácie objektu pre potreby jeho uchopenia a zdvihnutia bol vytvorený v programe POV-Ray model skutočného objektu. Pomocou tohto modelu bolo vygenerovaných 10 000 umelých snímkov ako trénovacia množina. Bolo otestovaných 10 klasifikátorov naučených len na umelých dátach a otestované na reálnych. V priemere, je oproti klasifikátoru naučenom na reálnych snímkoch výsledok horší len o 4\%. Pri kombinácií reálnych a umelých snímkov bolo pozorované zlepšenie klasifikátoru o 1.5\%.

This bachelor thesis introduces a usage of synthetic dataset to improve the training of neural networks. The usage of convolutional neural network for determination of position and orientation of an object in the task of bin picking is used as an reference task. Dataset consisting of 10 000 synthetic images of metalic disk was generated in the raytracing software. Ten different classificators were trained making use different size of synthetic dataset and combination with real images. The performance and precision of these classficators were tested on real inputs and compared to classificator trained on 1000 real images. Ther presicion of classificators using only the synhtetic dataset was only 4\% worse and classificators using the combination of real and synthetic data were even 1.5\% better in avarage.