Fugu-MT 論文翻訳(概要): 2nd Place Solution to ECCV 2020 VIPriors Object Detection Challenge

論文の概要: 2nd Place Solution to ECCV 2020 VIPriors Object Detection Challenge

arxiv url: http://arxiv.org/abs/2007.08849v1
Date: Fri, 17 Jul 2020 09:21:29 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 14:06:11.747561
Title: 2nd Place Solution to ECCV 2020 VIPriors Object Detection Challenge
Title（参考訳）: ECCV 2020 VIPriorsオブジェクト検出問題に対する第2位ソリューション
Authors: Yinzheng Gu, Yihan Pan, Shizhe Chen
Abstract要約: 我々は、最先端のデータ強化戦略、モデル設計、および後処理アンサンブル手法を用いることで、データ不足の難しさを克服し、競争結果を得ることができることを示す。当社の全体的な検出システムは,COCO 2017の検証セット上で,事前トレーニングや移行学習の重み付けなしで,わずか10Kのトレーニングイメージを使用して36.6$%のAPを達成している。
参考スコア（独自算出の注目度）: 24.368684444351068
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this report, we descibe our approach to the ECCV 2020 VIPriors Object Detection Challenge which took place from March to July in 2020. We show that by using state-of-the-art data augmentation strategies, model designs, and post-processing ensemble methods, it is possible to overcome the difficulty of data shortage and obtain competitive results. Notably, our overall detection system achieves 36.6$\%$ AP on the COCO 2017 validation set using only 10K training images without any pre-training or transfer learning weights ranking us 2nd place in the challenge.
Abstract（参考訳）: 本稿では,2020年3月から7月にかけて開催されたECCV 2020 VIPriors Object Detection Challengeへのアプローチについて述べる。最新のデータ拡張戦略,モデル設計,処理後のアンサンブル手法を用いることで,データ不足の難しさを克服し,競争的な結果を得ることができることを示す。特に,coco 2017の検証セットでは,事前トレーニングや転校の重み付けを行わずに10kのトレーニング画像しか使用せず,36.6$\%$ apを達成した。

関連論文リスト

BOP Challenge 2023 on Detection, Segmentation and Pose Estimation of Seen and Unseen Rigid Objects [54.90773237124648]
BOPチャレンジ2023(BOP Challenge 2023)は、モデルベースの6Dオブジェクトのポーズ推定において、芸術の状態を捉えるために組織された一連のパブリックコンペティションの5番目である。観察対象のベストメソッド(GPose)は、適度な精度向上を達成したが、2022のベストメソッドに比べて43%の実行時間改善を実現した。
論文参考訳（メタデータ） (2024-03-14T18:37:46Z)
The STOIC2021 COVID-19 AI challenge: applying reusable training methodologies to private data [60.94672667514737]
本研究は、プライベートデータ上でのトレーニングソリューションを可能にするType Three (T3)チャレンジフォーマットを実装した。 T3では、チャレンジオーガナイザが参加者の提供するトレーニングデータに基づいてトレーニングを行う。勝利解は、重篤なCOVID-19と非重症なCOVID-19(0.815)の鑑別のために、受信機動作特性曲線の下にある領域を得た。
論文参考訳（メタデータ） (2023-06-18T05:48:28Z)
1st Place Solution for ECCV 2022 OOD-CV Challenge Image Classification Track [64.49153847504141]
OOD-CVチャレンジは配布外一般化タスクである。この課題では、私たちのコアソリューションは、ノイズラベル学習が強いテスト時間ドメイン適応法である、と要約することができます。テスト時間拡張戦略とモデルアンサンブル戦略を統合することで、OOD-CVチャレンジの画像分類リーダーボードに第一位にランクインする。
論文参考訳（メタデータ） (2023-01-12T03:44:30Z)
Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文参考訳（メタデータ） (2023-01-03T13:06:44Z)
The Second Place Solution for ICCV2021 VIPriors Instance Segmentation Challenge [6.087398773657721]
データ効率のよいコンピュータビジョンのためのビジュアルインダクティブプライオリティ(VIPriors)は、競合に対して、データ不足の環境でモデルをゼロからトレーニングするように求めている。 ICCV 2021 VIPriorsインスタンスセグメンテーションチャレンジの技術的詳細を紹介する。 ICCV 2021 VIPriors インスタンスセグメンテーションの試験セットで 40.2%AP@0.50:0.95 を達成することができる。
論文参考訳（メタデータ） (2021-12-02T09:23:02Z)
2nd Place Solution for SODA10M Challenge 2021 -- Continual Detection Track [35.06282647572304]
ResNet50-FPNをベースラインとして採用し、最終的な提案モデルのいくつかの改善を試みる。タスク固有のリプレイ方式,学習率スケジューリング,モデルキャリブレーション,原画像スケールの使用により,画像中の大小オブジェクトの性能向上が期待できる。
論文参考訳（メタデータ） (2021-10-25T15:58:19Z)
A Technical Report for ICCV 2021 VIPriors Re-identification Challenge [5.940699390639281]
本稿では,VIPriors Challenge 2021における再同定トラックの解について紹介する。それは、最先端のデータ処理戦略、モデル設計、および後処理アンサンブルメソッドの使用を示しています。チームの最終スコア(ALONG)は96.5154% mAPで、トップボードで1位となった。
論文参考訳（メタデータ） (2021-09-30T14:29:31Z)
Rotation Invariance and Extensive Data Augmentation: a strategy for the Mitosis Domain Generalization (MIDOG) Challenge [1.52292571922932]
我々は,MIDOG 2021コンペティションに参加するための戦略を提示する。このコンペティションの目的は、目に見えないターゲットスキャナーで取得した画像に対する解の一般化を評価することである。本稿では,最先端のディープラーニング手法の組み合わせに基づく解を提案する。
論文参考訳（メタデータ） (2021-09-02T10:09:02Z)
LUAI Challenge 2021 on Learning to Understand Aerial Images [113.42987112252851]
本報告では,ICCV 2021で実施したLearning to Understand Aerial Images (LUAI) 2021の課題について要約する。 DOTA-v2.0 と GID-15 のデータセットを用いて,オブジェクト指向物体検出,水平物体検出,空中画像における共通カテゴリのセマンティックセグメンテーションの3つのタスクを提案する。
論文参考訳（メタデータ） (2021-08-30T14:03:54Z)
LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。この技術的レポートは、課題のハイライトを要約している。
論文参考訳（メタデータ） (2020-10-17T13:06:12Z)
Analysing Affective Behavior in the First ABAW 2020 Competition [49.90617840789334]
ABAW(Affective Behavior Analysis in-the-Wild) 2020コンペティションは、3つの主要な行動タスクの自動分析を目的とした最初のコンペティションである。アルゼンチンのブエノスアイレスで2020年5月に開催されたIEEE Face and Gesture Recognitionと共同で開催されるこのコンペティションについて説明する。評価指標を概説し,ベースラインシステムとトップ3の実施するチームの方法論をチャレンジ毎に提示し,その結果を最終的に提示する。
論文参考訳（メタデータ） (2020-01-30T15:41:14Z)

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。