合成数据让人体检测 mAP50 提升 160%,AWS 公开工业安全 AI 流水线
AWS ML Blog · rss · 2026-09-17
AWS ML Blog 发布工业安全 AI 方案:针对「人员贴近重型机械」高危场景训练图像稀缺的难题,用 Qwen-Image-Edit-2509 扩散模型在 SageMaker AI(4×A10G,约 60GB 权重)上把合成人员插入真实场景图,再用 Amazon Rekognition DetectLabels 自动生成 YOLO 边界框伪标签,全程无人工标注。
- 效果:人员检测 mAP50 最高提升 160%,无危险摆拍、无人工标注(人工标注约 $3–5/图)。
- 动机:高危场景(盲区工人、轨道上的人)真实数据最稀有且最危险,边缘端设备又要求轻量模型,每个样本都关键。
- 做法要点:编辑真实图像而非全合成场景,避免 domain gap;结构化 prompt 指定危险姿态、比例与光照约束;Rekognition 置信度阈值 80%,NMS 去重后转 YOLO 格式,与已有设备标注合并。
- 成本:当前约 166 秒/图;预计换 H100 或量化后推理成本降约 10 倍(未验证)。
「研究」频道最新
- Adobe 与 UCLA 提出 Tev：用可验证进度奖励破解长程 Agent 训练难题 — jiqizhixin · 2026-11-02
- 老招新用：path tracing 加 portal 采样，64spp 噪点显著下降 — ssh4net · 2026-11-02
- Marcel Böhme 提出漏洞引导加固哲学：为何安全永远无法一劳永逸 — mboehme_ · 2026-11-02
- Perplexity 开源研究型基准 WANDR：500 任务、17 万条证据点 — thisguyknowsai · 2026-11-02
- AI 意识研究者:我们没有可靠方法判断 AI 是否有意识 — dioscuri · 2026-11-02
- 蚂蚁团队发布统一反伪造模型，AI视频鉴伪达96% — inclusionAI · 2026-11-02