Нейросетевой алгоритм пост-процессинга синтетических объектов для аугментации изображений

Аугментация изображений является важным методом улучшения качества работы моделей компьютерного зрения. Базовые преобразования исходных изображений позволяют получать дополнительные обучающие образцы и повышают обобщающую способность модели. В некоторых случаях возможно применение компьютерной графики для создания синтетических изображений. Данные изображения также могут быть добавлены в обучающую выборку, но зачастую они отличаются от реальных образцов. В данной работе рассматривается возможность применения генеративных состязательных сетей для увеличения схожести между реальными и синтетических изображениями как один из шагов при аугментации данных. Для проверки данной гипотезы проводятся эксперименты на сильно несбалансированной выборке дорожных знаков. Производится обсуждение различных схем обработки данных и их сравнение с базовой моделью. Приводятся результаты экспериментов и выделяется схема пост-обработки данных, позволяющая улучшить качество моделей. В заключение, описываются дальнейшие возможные шаги развития.