論文の概要: NDD20: A large-scale few-shot dolphin dataset for coarse and fine-grained categorisation

• arxiv url: http://arxiv.org/abs/2005.13359v1
• Date: Wed, 27 May 2020 13:41:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:26:31.542634
• Title: NDD20: A large-scale few-shot dolphin dataset for coarse and fine-grained categorisation
• Title（参考訳）: NDD20:粗くきめ細かい分類のための大規模数発のイルカデータセット
• Authors: Cameron Trotter and Georgia Atkinson and Matt Sharpe and Kirsten Richardson and A. Stephen McGough and Nick Wright and Ben Burville and Per Berggren
• Abstract要約: Northumberland Dolphin dataset 2020 (NDD20)は、粗い、きめ細かいインスタンスのセグメンテーションと分類のための注釈付きイメージデータセットである。 NDD20は、伝統的に粗くきめ細かなセグメンテーションのために、2つの異なるイルカ種の上と下にある大量の水画像を含んでいる。 我々は、NDD20を用いて訓練された標準ディープラーニングネットワークアーキテクチャを用いて実験を行い、その結果を報告する。
• 参考スコア（独自算出の注目度）: 0.4397520291340694
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce the Northumberland Dolphin Dataset 2020 (NDD20), a challenging image dataset annotated for both coarse and fine-grained instance segmentation and categorisation. This dataset, the first release of the NDD, was created in response to the rapid expansion of computer vision into conservation research and the production of field-deployable systems suited to extreme environmental conditions -- an area with few open source datasets. NDD20 contains a large collection of above and below water images of two different dolphin species for traditional coarse and fine-grained segmentation. All data contained in NDD20 was obtained via manual collection in the North Sea around the Northumberland coastline, UK. We present experimentation using standard deep learning network architecture trained using NDD20 and report baselines results.
• Abstract（参考訳）: 粗い、きめ細かいインスタンスセグメンテーションと分類の両方にアノテートされた課題の画像データセットであるNorthumberland Dolphin Dataset 2020 (NDD20)を紹介した。 NDDの最初のリリースであるこのデータセットは、環境保護研究へのコンピュータビジョンの急速な拡張と、極度の環境条件に適合するフィールドデプロイ可能なシステム(オープンソースのデータセットがほとんどない領域)の生産に対応するために作成された。 NDD20は、伝統的に粗くきめ細かなセグメンテーションのために、2つの異なるイルカ種の上と下にある大量の水画像を含んでいる。 NDD20に含まれるすべてのデータは、イギリスのノーサンバーランド海岸線周辺の北海で手動で収集された。 NDD20を用いて学習した標準ディープラーニングネットワークアーキテクチャを用いて実験を行い,その結果を報告する。

関連論文リスト

• Benchmarking tree species classification from proximally-sensed laser scanning data: introducing the FOR-species20K dataset [1.2771525473423657]
  FOR-species20Kベンチマークが作成され、33種から20,000以上の樹点雲が形成された。 このデータセットは、樹種分類のためのDLモデルのベンチマークを可能にする。 トップモデルであるDetailViewは特に堅牢で、データの不均衡をうまく処理し、ツリーサイズを効果的に一般化する。
  論文  参考訳（メタデータ） (2024-08-12T21:47:15Z)
• An Open Hyperspectral Dataset with Sea-Land-Cloud Ground-Truth from the HYPSO-1 Satellite [0.0]
  HYPSO-1Sea-Land-Cloud-Labeledデータセットは、HYPSO-1ミッションから200の多様なハイパースペクトル画像を持つオープンデータセットである。 これらの画像のうち38枚は、海と陸とクラウドのカテゴリにラベル付けされた約2500万のスペクトルシグネチャで、ピクセルレベルの地平線ラベルを含んでいる。
  論文  参考訳（メタデータ） (2023-08-25T21:35:22Z)
• DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models [61.906934570771256]
  多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。 本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。 拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
  論文  参考訳（メタデータ） (2023-08-11T14:38:11Z)
• The Second Monocular Depth Estimation Challenge [93.1678025923996]
  MDEC (Monocular Depth Estimation Challenge) の第2版は、いかなる種類の監視方法にも開放された。 この課題はSynS-Patchesデータセットをベースとしており、高品質な高密度地下構造を持つ多様な環境を特徴としている。 上位の監督官は相対的なFスコアを27.62%改善し、上位の監督官は16.61%改善した。
  論文  参考訳（メタデータ） (2023-04-14T11:10:07Z)
• ZoeDepth: Zero-shot Transfer by Combining Relative and Metric Depth [36.06906959987852]
  ZoeD-M12-NKは、相対深度を用いて12のデータセットで事前トレーニングされ、メートル法深度を使用して2つのデータセットで微調整される。 屋内ドメインと屋外ドメインの両方で、目に見えない8つのデータセットに対して、前例のないゼロショット一般化性能を実現した。
  論文  参考訳（メタデータ） (2023-02-23T19:13:10Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• Dataset Distillation: A Comprehensive Review [76.26276286545284]
  データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。 本稿ではDDの最近の進歩とその応用について概説する。
  論文  参考訳（メタデータ） (2023-01-17T17:03:28Z)
• deepNIR: Datasets for generating synthetic NIR images and improved fruit detection system using deep learning techniques [2.5191300830630126]
  本稿では,合成近赤外(NIR)画像生成とバウンディングボックスレベルの果物検出システムに利用したデータセットを提案する。 11.36,26.53,40.15のFrechet Inception Distance(FID)をNirscene1,SEN12MS,甘辛料データセットでそれぞれ達成した。 データセットのバウンディングボックスの総数は162kで、クラウドサービスから使用可能である。
  論文  参考訳（メタデータ） (2022-03-17T05:25:36Z)
• Training Graph Neural Networks with 1000 Layers [133.84813995275988]
  我々は、GNNのメモリとパラメータ効率を向上させるために、可逆接続、グループ畳み込み、重み付け、平衡モデルについて検討する。 我々の知る限りでは、RevGNN-Deepは文学で最も深いGNNである。
  論文  参考訳（メタデータ） (2021-06-14T15:03:00Z)
• NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization [101.13851473792334]
  我々は,5,109枚の画像からなる大規模集束群集NWPU-Crowdを構築し,合計2,133,375個の点と箱を付加したアノテートヘッドを構築した。 他の実世界のデータセットと比較すると、様々な照明シーンを含み、最大密度範囲 (020,033) を持つ。 本稿では,データ特性について述べるとともに,主要なSOTA(State-of-the-art)手法の性能を評価し,新たなデータに生じる問題を分析する。
  論文  参考訳（メタデータ） (2020-01-10T09:26:04Z)

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。