摘要
机器学习需要数据，但获取和标注现实世界的数据具有挑战性、成本高昂且耗时。更重要的是，一旦数据采集完成，几乎不可能对其进行修改（例如，改变房间的光照），这使得测量数据的特定属性如何影响性能变得非常困难。在本文中，我们介绍了一种名为AI Playground (AIP)的开源工具，该工具基于Unreal Engine生成和标注虚拟图像数据。通过AIP，可以轻松地在不同条件下（如保真度、光照等）捕获同一图像，并使用不同的真实值（如深度或表面法线值）。AIP易于扩展，既可以通过代码使用，也可以不通过代码使用。为了验证我们提出的工具，我们生成了八个数据集，这些数据集在其他方面相同但在光照和保真度条件上有所差异。随后，我们训练了深度神经网络以预测（1）深度值、（2）表面法线或（3）对象标签，并评估了每个网络在单个数据集内和跨数据集的性能。除其他见解外，我们证实了对不同设置的敏感性是问题依赖的。我们确认了其他研究的结果，即分割模型对保真度非常敏感，但我们还发现它们对光照同样敏感。相比之下，深度和法线估计模型似乎对保真度或光照不太敏感，而对图像结构更为敏感。最后，我们在两个现实世界的数据集上测试了训练好的深度估计网络，并获得了与仅用现实世界数据训练相当的结果，证明我们的虚拟环境足以用于现实世界的任务。