AI 데이터 파이프라인
당사는 AI 기반 솔루션을 최대한 활용할 수 있는 도구와 노하우를 제공합니다. 좋은 모델에는 좋은 훈련 데이터가 필요합니다. dSPACE는 파트너와 함께 데이터 파이프라인에 필요한 모든 도구와 서비스를 제공합니다. AUTERA 및 RTMaps로 새로운 데이터를 수집하고, UAI Annotator로 데이터에 주석을 달고, IVS에서 데이터를 관리하십시오. 이 프로세스는 예를 들어 측정에서 시나리오 생성을 사용하여 임의의 트래픽 상황을 생성하고 마지막으로 센서 현실화 시뮬레이션을 위한 dSPACE 솔루션을 사용하여 이러한 시나리오에서 추가 교육 데이터를 생성하기 위한 도구와 함께 진행됩니다.
How much real-world sensor data is needed?
dSPACE conducted a study to investigate the training of neural networks with synthetic sensor data for real-world applications. The goal of the study was to quantify how much real-world data can be reduced when a mixed data set of synthetic and real-world data is used. By modeling the relationship between the number of training examples and recognition performance using a simple power law, it was found that the amount of real-world data required can be reduced by up to 70% without affecting recognition performance. In particular, the training of object recognition networks is improved by enriching the mixed data set with classes that are underrepresented in the real data set. The results show that mixed data sets with real-world data proportions between 5% and 20% reduce the need for real-world data the most, without reducing recognition performance.
Sensor-realistic simulation is a valuable tool to easily generate additional training data for neural networks, especially to include rare classes and scenarios in the dataset.
