تولید داده مصنوعی برای آشکارسازی هدف مبتنی بر یادگیری عمیق

الگوریتم تشخیص شی YOLO، یکی از مشهورترین و پرکاربردترین الگوریتم های تشخیص اشیا در حوزه بینایی ماشین است. این الگوریتم با استفاده از تصاویر آموزشی فراوان، آموزش می بیند و می تواند درشناسایی اهداف عملکرد قابل توجهی داشته باشد. با این حال، در شرایط خاصی مانند فضای نظامی،پزشکی و محیط های خطرناک که بدست آوردن تصاویر واقعی اهداف زمان بر و چالش برانگیز است،محدودیت هایی وجود دارد که محققان را به دنبال راهکارهای جایگزین برای رفع مشکل کمبود داده وافزایش دقت الگوریتم می کند. یکی از راهکارهای جدید برای حل این مشکل، استفاده از داده هایمصنوعی تولید شده توسط موتورهای بازیسازی است. این روش نوآورانه ای است که با کاهش وابستگیبه دادههای واقعی، عملکرد و دقت الگوریتم را بهبود میبخشد. با استفاده از داده های مصنوعی،محدودیت تعداد داده های آموزشی برای الگوریتم برطرف می شود و عملکرد الگوریتم در شرایط پیچیده وخطرناک بهبود می یابد. همچنین، استفاده از داده های مصنوعی منجر به کاهش زمان، نیروی انسانی و هزینه مورد نیاز برای جمع آوری داده می شود. به طور کلی، استفاده از داده های مصنوعی به عنوان راهکارجایگزین در آموزش الگوریتم تشخیص شی، به دلیل مزایایی نظیر کاهش زمان، کاهش نیروی انسانی وکاهش هزینه، مورد توجه محققان و کاربران قرار گرفته است. امروزه برای رسیدن به عملکرد مطلوب در الگوریتم های تشخیص شی، از داده های مصنوعی تولید شده توسط موتور بازی سازی Unreal Engine استفاده شده می شود