論文の概要: The MAMe Dataset: On the relevance of High Resolution and Variable Shape
image properties
- arxiv url: http://arxiv.org/abs/2007.13693v3
- Date: Thu, 20 May 2021 10:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:03:23.239480
- Title: The MAMe Dataset: On the relevance of High Resolution and Variable Shape
image properties
- Title（参考訳）: MAMeデータセット:高分解能・可変形状画像特性の関連性について
- Authors: Ferran Par\'es, Anna Arias-Duart, Dario Garcia-Gasulla, Gema
Campo-Franc\'es, Nina Viladrich, Eduard Ayguad\'e, Jes\'us Labarta
- Abstract要約: 我々は,高分解能および可変形状特性を有する画像分類データセットであるMAMeデータセットを紹介する。
MAMeデータセットには、3つの異なる博物館から何千ものアートワークが含まれている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the image classification task, the most common approach is to resize all
images in a dataset to a unique shape, while reducing their precision to a size
which facilitates experimentation at scale. This practice has benefits from a
computational perspective, but it entails negative side-effects on performance
due to loss of information and image deformation. In this work we introduce the
MAMe dataset, an image classification dataset with remarkable high resolution
and variable shape properties. The goal of MAMe is to provide a tool for
studying the impact of such properties in image classification, while
motivating research in the field. The MAMe dataset contains thousands of
artworks from three different museums, and proposes a classification task
consisting on differentiating between 29 mediums (i.e. materials and
techniques) supervised by art experts. After reviewing the singularity of MAMe
in the context of current image classification tasks, a thorough description of
the task is provided, together with dataset statistics. Experiments are
conducted to evaluate the impact of using high resolution images, variable
shape inputs and both properties at the same time. Results illustrate the
positive impact in performance when using high resolution images, while
highlighting the lack of solutions to exploit variable shapes. An additional
experiment exposes the distinctiveness between the MAMe dataset and the
prototypical ImageNet dataset. Finally, the baselines are inspected using
explainability methods and expert knowledge, to gain insights on the challenges
that remain ahead.
- Abstract（参考訳）: 画像分類タスクにおいて、最も一般的なアプローチは、データセット内のすべてのイメージをユニークな形状にリサイズすると同時に、その精度をスケール実験を容易にするサイズに縮小する。
この手法は計算の観点からは利点があるが、情報の喪失や画像の変形による性能の悪影響を伴っている。
本研究では,高分解能と可変形状特性を有する画像分類データセットであるmame datasetを紹介する。
mameの目標は、この分野の研究を動機付けながら、画像分類におけるこれらの特性の影響を研究するツールを提供することである。
mameデータセットには3つの美術館から何千ものアートワークが含まれており、29のメディア(すなわち、材料と技術)をアートの専門家が監督する分類タスクを提案している。
現在の画像分類タスクの文脈でMAMeの特異点をレビューした後、データセット統計とともにタスクの詳細な記述を提供する。
高分解能画像, 可変形状入力, 両特性を同時に使用することにより, 影響を評価する実験を行った。
結果から,高解像度画像を用いた場合のパフォーマンスに対する肯定的な影響を示すとともに,可変形状を利用する解の欠如を強調した。
追加の実験では、mameデータセットとprototypepical imagenetデータセットの識別性を明らかにする。
最後に、ベースラインは説明可能性の方法と専門家の知識を使って検査され、今後の課題についての洞察を得ます。
関連論文リスト
- Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - SeeBel: Seeing is Believing [0.9790236766474201]
本稿では,全画像のセグメンテーションにおけるデータセット統計とAI性能を比較するための3つの可視化手法を提案する。
我々のプロジェクトは、画像の注意重みを可視化することで、セグメンテーションのための訓練されたAIモデルの解釈可能性をさらに高めようとしている。
我々は,コンピュータビジョンとAI領域における可視化ツールの有効性を検討するために,実際のユーザを対象に調査を行うことを提案する。
論文 参考訳（メタデータ） (2023-12-18T05:11:00Z) - Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。
本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。
ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
論文 参考訳（メタデータ） (2023-08-04T10:28:48Z) - High-Quality Entity Segmentation [110.55724145851725]
CropFormerは高解像度画像におけるインスタンスレベルのセグメンテーションの難易度に対処するために設計されている。
よりきめ細かい画像とフルイメージを提供する高解像度の画像作物を融合することで、マスク予測を改善する。
CropFormerでは、難易度の高いエンティティセグメンテーションタスクで1.9ドルという大きなAP利益を達成しています。
論文 参考訳（メタデータ） (2022-11-10T18:58:22Z) - Object-aware Contrastive Learning for Debiased Scene Representation [74.30741492814327]
オブジェクトを自己教師型でローカライズする,オブジェクト認識型コントラスト学習フレームワークを開発した。
また、コントラCAM、オブジェクト認識型乱作、背景混合に基づく2つのデータ拡張を導入し、コントラスト型自己教師型学習における文脈バイアスと背景バイアスを低減した。
論文 参考訳（メタデータ） (2021-07-30T19:24:07Z) - 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) - Factors of Influence for Transfer Learning across Diverse Appearance
Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。
転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。
本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文 参考訳（メタデータ） (2021-03-24T16:24:20Z) - Image Augmentation for Multitask Few-Shot Learning: Agricultural Domain
Use-Case [0.0]
本稿では,植物フェノミクスドメインの例に基づいて,小規模で不均衡なデータセットに挑戦する。
画像拡張フレームワークを導入することで,トレーニングサンプル数を大幅に拡大することができる。
本手法は,少数のトレーニングサンプルが利用可能であれば,モデル性能が向上することを示す。
論文 参考訳（メタデータ） (2021-02-24T14:08:34Z) - Multi-scale Information Assembly for Image Matting [35.43994064645042]
単一のRGB画像から高品質のアルファマットを取り出すマルチスケール情報組み立てフレームワーク(MSIA-matte)を提案する。
既存のマッティングネットワークと比較して、最先端のパフォーマンスを実現できます。
論文 参考訳（メタデータ） (2021-01-07T06:15:48Z) - Unsupervised machine learning via transfer learning and k-means
clustering to classify materials image data [0.0]
本稿では,画像分類のための高性能な教師なし機械学習システムの構築,利用,評価について述べる。
我々は、自然画像のImageNetデータセット上に事前訓練されたVGG16畳み込みニューラルネットワークを用いて、各マイクログラフの特徴表現を抽出する。
このアプローチは、99.4% pm 0.16%$の精度を実現し、結果として得られたモデルは、再トレーニングせずに、新しい画像の分類に使うことができる。
論文 参考訳（メタデータ） (2020-07-16T14:36:04Z)
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。