論文の概要: ObjectNet Dataset: Reanalysis and Correction

• arxiv url: http://arxiv.org/abs/2004.02042v1
• Date: Sat, 4 Apr 2020 22:45:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 22:51:33.143646
• Title: ObjectNet Dataset: Reanalysis and Correction
• Title（参考訳）: ObjectNetデータセット:再分析と補正
• Authors: Ali Borji
• Abstract要約: 最近、BarbuらはObjectNetというデータセットを導入した。 彼らはこのデータセット上で、アートオブジェクト認識モデルの状態の劇的なパフォーマンス低下を示した。 分離されたオブジェクトではなく、複数のオブジェクトを含むシーンにオブジェクト認識器を適用するという、彼らの仕事における大きな問題を強調します。
• 参考スコア（独自算出の注目度）: 47.64219291655723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Barbu et al introduced a dataset called ObjectNet which includes objects in daily life situations. They showed a dramatic performance drop of the state of the art object recognition models on this dataset. Due to the importance and implications of their results regarding generalization ability of deep models, we take a second look at their findings. We highlight a major problem with their work which is applying object recognizers to the scenes containing multiple objects rather than isolated objects. The latter results in around 20-30% performance gain using our code. Compared with the results reported in the ObjectNet paper, we observe that around 10-15 % of the performance loss can be recovered, without any test time data augmentation. In accordance with Barbu et al.'s conclusions, however, we also conclude that deep models suffer drastically on this dataset. Thus, we believe that ObjectNet remains a challenging dataset for testing the generalization power of models beyond datasets on which they have been trained.
• Abstract（参考訳）: 最近、barbuらは、毎日の生活状況にオブジェクトを含むobjectnetと呼ばれるデータセットを導入した。 彼らはこのデータセット上のアートオブジェクト認識モデルの状態の劇的なパフォーマンス低下を示した。 深層モデルの一般化能力に関する結果の重要性と意義から,その知見を再度考察する。 分離されたオブジェクトではなく、複数のオブジェクトを含むシーンにオブジェクト認識器を適用するという、彼らの仕事における大きな問題を強調します。 後者の結果、コードを使ったパフォーマンスが約20～30%向上しました。 ObjectNetの論文で報告された結果と比較すると、テスト時間データの増大なしに、パフォーマンス損失の約10～15パーセントを回復することができる。 しかし、barbuらによる結論に従い、深層モデルはこのデータセットに深刻な影響を受けると結論づけた。 したがって、objectnetは、トレーニングされたデータセットを超えたモデルの一般化能力をテストする上で、依然として困難なデータセットであると考えています。

関連論文リスト

• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Spoken ObjectNet: A Bias-Controlled Spoken Caption Dataset [14.44921491933053]
  Spoken ObjectNetは、これらのバイアスの一部を除去し、実際のシナリオでモデルがいかに効果的に機能するかを評価する方法を提供するように設計されている。 このデータセットはObjectNetに拡張されている。ObjectNetはバイアス制御されたイメージデータセットで、ImageNetにあるものと同様の画像クラスを特徴としている。 結果は、他のデータセットでトレーニングされ、Spoke ObjectNetで評価されたモデルは、モデルが学んだ他のデータセットのバイアスのために、パフォーマンスが悪くなる傾向があることを示している。
  論文  参考訳（メタデータ） (2021-10-14T17:38:20Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter [52.117388513480435]
  本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。 データセットは2D画像と3Dポイントクラウドの両方で収集されます。 ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
  論文  参考訳（メタデータ） (2021-04-29T05:31:21Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Contemplating real-world object classification [53.10151901863263]
  Barbuらが最近提案したObjectNetデータセットを再分析した。 日常の状況に物を含むこと。 分離されたオブジェクトにディープモデルを適用すると、元の論文のようにシーン全体ではなく、約20～30%の性能改善が得られます。
  論文  参考訳（メタデータ） (2021-03-08T23:29:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。