Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
BlenderProc를 활용하여 표면 스크래치 탐지를 위한 대규모 합성 데이터 생성 파이프라인인 ScratchSim을 제안합니다. 합성 데이터로 사전 학습 후 실데이터로 미세 조정하는 전략이 실데이터 전용 학습보다 우수한 성능을 보임을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기표면 스크래치 탐지와 같은 자동 결함 탐지(automated defect detection)는 산업 품질 관리에서 중요한 측면이지만, 주석이 달린 결함 데이터(annotated defect data)의 부족은 이 작업을 어렵게 만듭니다. 본 논문은 BlenderProc를 사용하여 구성 가능한 재질 외관(material appearance), 카메라 모드, 도메인 무작위화(domain randomization)를 통해 대규모의 주석이 달린 합성 학습 데이터(synthetic training data)를 생성하고, 자동화된 COCO 형식의 주석을 생성하는 절차적 렌더링 파이프라인(procedural rendering pipeline)을 제시합니다. 우리 접근 방식의 잠재력을 보여주기 위해, 서로 다른 재질 특성을 가진 두 가지 객체와 세 가지 경량 에지 배포 가능 탐지기(lightweight edge-deployable detectors)인 YOLOX, YOLO26, LW-DETR를 대상으로 합성 전용(synthetic-only), 실데이터 전용(real-only), 혼합(mixed), 그리고 합성 가중치로부터의 미세 조정(fine-tuning from synthetic weights)이라는 네 가지 학습 전략을 평가합니다. 평가 결과, 합성 가중치로부터의 미세 조정이 실데이터 전용 학습보다 일관되게 우수한 성능을 보였으며, 혼합 학습이 실데이터가 부족한 조건에서 성능을 효과적으로 회복한다는 것을 확인하였고, 이러한 결과는 합성곱(convolutional) 및 트랜스포머(transformer) 기반 아키텍처 모두에서 검증되었습니다. 제안된 접근 방식은 대규모의 실제 주석 데이터셋에 대한 부담 없이 확장 가능한 결함 탐지를 가능하게 하여, 온디바이스(on-device) 산업 검사에 실용적입니다. 파이프라인 스크립트, 3D 모델, 그리고 광택이 나는 장난감 페라리 자동차에 대한 합성 및 실제 주석 스크래치 데이터셋은 논문 채택 시 프로젝트 웹사이트를 통해 공개될 예정입니다.