論文の概要: VIPriors Object Detection Challenge
- arxiv url: http://arxiv.org/abs/2007.08170v1
- Date: Thu, 16 Jul 2020 08:10:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 23:14:41.857057
- Title: VIPriors Object Detection Challenge
- Title(参考訳): VIPriors Object Detection Challenge
- Authors: Zhipeng Luo, Lixuan Che
- Abstract要約: 本稿では,データの特徴を解析し,有効なデータ拡張手法を提案する。
私たちはソフトnmとモデル融合を巧みに利用することで多くの利益を得ます。
- 参考スコア(独自算出の注目度): 15.313954050744233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is a brief report to our submission to the VIPriors Object
Detection Challenge. Object Detection has attracted many researchers' attention
for its full application, but it is still a challenging task. In this paper, we
study analysis the characteristics of the data, and an effective data
enhancement method is proposed. We carefully choose the model which is more
suitable for training from scratch. We benefit a lot from using softnms and
model fusion skillfully.
- Abstract(参考訳): 本稿は,vipriors object detection challengeへの提案に対する簡単な報告である。
オブジェクト検出は、そのフル応用で多くの研究者の注目を集めているが、それでも難しい課題である。
本稿では,データの特徴を解析し,効果的なデータエンハンスメント手法を提案する。
私たちは、スクラッチからトレーニングに適したモデルを慎重に選択します。
softnmsとmodel fusionを巧みに利用することで多くの恩恵を受けています。
関連論文リスト
- The Why, When, and How to Use Active Learning in Large-Data-Driven 3D
Object Detection for Safe Autonomous Driving: An Empirical Exploration [1.2815904071470705]
エントロピークエリは、リソース制約のある環境でモデル学習を強化するデータを選択するための有望な戦略である。
この結果から,エントロピークエリは資源制約のある環境でのモデル学習を促進するデータ選択に有望な戦略であることが示唆された。
論文 参考訳(メタデータ) (2024-01-30T00:14:13Z) - Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。
本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文 参考訳(メタデータ) (2023-11-29T05:33:28Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - A Comparative Review of Recent Few-Shot Object Detection Algorithms [0.0]
ラベル付きデータで新しいクラスに適応するために学習するオブジェクトの少ない検出は、命令的で長期にわたる問題である。
近年の研究では、ターゲットドメインを監督せずに追加データセットに暗黙の手がかりを使って、少数のショット検出器が堅牢なタスク概念を洗練させる方法が研究されている。
論文 参考訳(メタデータ) (2021-10-30T07:57:11Z) - A Competitive Method to VIPriors Object Detection Challenge [13.024811732127615]
本稿では,vipriors object detection challengeへの提案の技術的詳細を紹介する。
本稿では,bbox-jitter, grid-mask,mix-upを含むデータ問題に対処する効果的なデータ拡張手法を提案する。
また、より重要なROI機能を学ぶために、堅牢な関心領域(ROI)抽出方法も提示します。
論文 参考訳(メタデータ) (2021-04-19T05:33:39Z) - Uncertainty-aware Joint Salient Object and Camouflaged Object Detection [43.01556978979627]
本論文では, 相反する情報を活用し, 対流物体検出と迷彩物体検出の両方の検出能力を高めるパラダイムを提案する。
この2つのタスクの矛盾する属性を明示的にモデル化する類似度測度モジュールを導入する。
両タスクのデータセットにおけるラベル付けの不確実性を考慮して,高次類似度測定とネットワーク信頼度推定を両立させる逆学習ネットワークを提案する。
論文 参考訳(メタデータ) (2021-04-06T16:05:10Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-05T14:15:49Z) - Detecting Human-Object Interaction via Fabricated Compositional Learning [106.37536031160282]
ヒューマンオブジェクトインタラクション(HOI)検出は、高レベルのシーン理解のための基本的なタスクです。
人間は珍しいまたは見えないHOIのサンプルを認識する非常に強力な構成知覚能力があります。
オープン長尾HOI検出の課題を解決するために,FCL(Fabricated Compositional Learning)を提案する。
論文 参考訳(メタデータ) (2021-03-15T08:52:56Z) - EDN: Salient Object Detection via Extremely-Downsampled Network [66.38046176176017]
画像全体のグローバルビューを効果的に学ぶために、極端なダウンサンプリング技術を使用するExtremely-Downsampled Network(EDN)を紹介します。
実験は、ednがリアルタイム速度でsart性能を達成することを実証する。
論文 参考訳(メタデータ) (2020-12-24T04:23:48Z) - Progressive Object Transfer Detection [84.48927705173494]
本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。
第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。
第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
論文 参考訳(メタデータ) (2020-02-12T00:16:24Z)
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。