模拟器和现实之间的界限能否打通？

三个要点
✔️ 缩小模拟与现实世界差距的方法
✔️️ 将模拟器训练的模型直接应用到现实世界的困难
✔️ ImageNet的预训练模型。储存信息以提高总体性能

 

Automated Synthetic-to-Real Generalization
written by Wuyang Chen, Zhiding Yu, Zhangyang Wang, Anima Anandkumar
(Submitted on 14 Jul 2020)
Comments: Accepted at ICML2020
Subjects: Machine Learning (cs.LG); Computer Vision and Pattern Recognition (cs.CV); Robotics (cs.RO); Machine Learning (stat.ML)
Paper Official Code COMM Code 

介绍：

对于使用真实世界数据的监督学习，你可能需要大量的标签数据。例如，如果我们要创建一个物体检测系统，我们需要大量的图像和人类附加的数据，其中包含物体的信息。因此，手动注释真实世界的数据将是非常昂贵的。

另一方面，使用模拟器自动创建标签数据，可以省去这种劳动，并以较小的成本为训练提供数据。因此，如果能在模拟器创建的复合图像上训练出一个模型，然后应用到现实世界中，就可以大大降低标注的成本。

不过，现实世界和模拟世界自然有一些区别。如果不能解决这样的领域空白，上述尝试就不会有好的表现。

本文提出了一种从这种合成数据到真实数据的泛化性能显著提高的方法。

anonymous