Thesis Description & Objectives
I metodi di object detection si basano prevalentemente su approcci di deep learning
supervisionato, che richiedono ingenti quantità di dati etichettati. Per incrementare la
disponibilità di dati, è possibile ricorrere a tecniche di data augmentation, tra cui la
generazione di dati completamente sintetici, soluzione promettente in quanto consente
di ottenere dati automaticamente etichettati, riducendo tempi e costi di acquisizione.
Tuttavia, tali approcci presentano criticità legate alla complessità delle procedure
richieste, quali la conversione da immagini 2D a modelli 3D e il rendering fotorealistico.
Queste problematiche risultano particolarmente rilevanti nei contesti industriali,
caratterizzati da asset e oggetti altamente specifici e difficilmente reperibili nei dataset
pubblici.
La presente tesi si propone pertanto di sviluppare una pipeline efficace che consenta la
generazione agevole di dataset sintetici per compiti di object detection in ambito
industriale. Il lavoro prevede un’analisi dello stato dell’arte e la successiva
progettazione e validazione della pipeline su un caso d’uso industriale reale.
Esempi simili/utili:
• https://www.youtube.com/watch?v=HHzNIh72B_Y
• https://www.youtube.com/watch?v=iuDv3TS-xQA
• https://www.youtube.com/watch?v=dxlyCPGCvy8
• https://www.youtube.com/watch?v=pJfHiVo8GUg
• https://www.youtube.com/watch?v=BuL7RroTG7s
