Fugu-MT 論文翻訳(概要): 1st Place Solution to Google Landmark Retrieval 2020

論文の概要: 1st Place Solution to Google Landmark Retrieval 2020

arxiv url: http://arxiv.org/abs/2009.05132v1
Date: Mon, 24 Aug 2020 05:45:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 12:17:03.190886
Title: 1st Place Solution to Google Landmark Retrieval 2020
Title（参考訳）: Google Landmark Retrieval 2020の第一の解決法
Authors: SeungKee Jeon
Abstract要約: 本稿は、Kaggleに関するGoogle Landmark Retrieval 2020コンペティションの第1位となるソリューションを提示する。このソリューションは、多数のランドマーククラスを分類するためのメトリックラーニングに基づいており、2つのトレインデータセットによるトランスファーラーニングを使用している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the 1st place solution to the Google Landmark Retrieval 2020 Competition on Kaggle. The solution is based on metric learning to classify numerous landmark classes, and uses transfer learning with two train datasets, fine-tuning on bigger images, adjusting loss weight for cleaner samples, and esemble to enhance the model's performance further. Finally, it scored 0.38677 mAP@100 on the private leaderboard.
Abstract（参考訳）: 本稿では,Google Landmark Retrieval 2020 Competition on Kaggleの1位となるソリューションを提案する。このソリューションは、多数のランドマーククラスを分類するためのメトリック学習に基づいており、2つのトレインデータセットによる転送学習、大きな画像の微調整、クリーンなサンプルの損失重みの調整、モデルのさらなるパフォーマンス向上のためのエスセンブルを使用する。最後に、プライベートリーダーボードで0.38677 mAP@100を記録した。

関連論文リスト

Strike a Balance in Continual Panoptic Segmentation [60.26892488010291]
既存の知識の安定性と新しい情報への適応性のバランスをとるため,過去クラスのバックトレース蒸留を導入する。また,リプレイ用サンプルセットのクラス分布と過去のトレーニングデータとの整合性を考慮したクラス比記憶戦略を導入する。連続パノプティカルバランス(BalConpas)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-07-23T09:58:20Z)
2nd Place Solution to Google Universal Image Embedding [0.0]
本稿では,Google Universal Image Embedding Competitionにおける第2位のソリューションについて述べる。この競合を解くために、インスタンスレベルのきめ細かい画像分類法を用いる。
論文参考訳（メタデータ） (2022-10-17T04:04:16Z)
2nd Place Solution to Google Landmark Retrieval 2020 [15.620571007364362]
本稿では,Google Landmark Retrieval Competition 2020における第2位のソリューションについて述べる。後処理を伴わないランドマーク検索のためのグローバル特徴モデルのトレーニング手法を提案する。
論文参考訳（メタデータ） (2022-07-11T10:14:14Z)
2nd Place Solution to Google Landmark Retrieval 2021 [1.2776569352615768]
本稿では,Google Landmark Retrieval 2021 Competition on Kaggleに関する2番目のソリューションを提案する。本手法は, 個人の再識別によるトレーニングトリックをベースラインとして, 国別タグによるトレーニング画像を選択するための大陸対応サンプリング戦略を提示し, 検索タスクに対してランドマーク・カウンタリー・アウェア・リオークティング(Landmark-Country aware re rank)を提案する。
論文参考訳（メタデータ） (2021-10-08T17:59:58Z)
3rd Place Solution to Google Landmark Recognition Competition 2021 [17.59843220514826]
Google Landmark Recognition 2021コンペティションのソリューションを紹介します。アンサンブルされたモデルは、民間のリーダーボードで0.489点を獲得し、2021年のGoogleランドマーク認識コンペティションで3位となった。
論文参考訳（メタデータ） (2021-10-06T14:17:54Z)
Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文参考訳（メタデータ） (2021-04-01T13:55:21Z)
SHARP 2020: The 1st Shape Recovery from Partial Textured 3D Scans Challenge Results [90.42321856720633]
SHARP 2020は、生の不完全なデータから完全なテクスチャ化された3Dスキャンを復元するための、最初の挑戦とベンチマーク手法である。補完的な課題は2つあり、ひとつは3Dスキャンで、もうひとつはジェネリックオブジェクトでである。形状復元, テクスチャ再構築, 完成したデータの量とを共同で定量化するために, 新たな評価基準を提案する。
論文参考訳（メタデータ） (2020-10-26T12:05:56Z)
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)
Learning Condition Invariant Features for Retrieval-Based Localization from 1M Images [85.81073893916414]
我々は、より正確で、より一般化されたローカライゼーション特徴を学習する新しい方法を開発した。難易度の高いオックスフォード・ロボットカーの夜間条件では、5m以内の局所化精度でよく知られた三重項損失を24.4%上回っている。
論文参考訳（メタデータ） (2020-08-27T14:46:22Z)
3rd Place Solution to "Google Landmark Retrieval 2020" [11.78419680436906]
本稿では,Google Landmark Retrieval 2020チャレンジに対する3位の詳細ソリューションについて紹介する。メカニカルラーニングを用いたデータクリーニングとモデルの探索に重点を置いている。我々はCorner-Cutmixと呼ばれるデータ拡張手法を採用し、モデルがマルチスケールで隠蔽されたランドマーク画像を認識する能力を向上する。
論文参考訳（メタデータ） (2020-08-24T14:39:51Z)
The World is Not Binary: Learning to Rank with Grayscale Data for Dialogue Response Selection [55.390442067381755]
人間の努力なしに、グレースケールのデータを自動的に構築できることが示される。本手法では,自動グレースケールデータ生成装置として,市販の応答検索モデルと応答生成モデルを用いる。 3つのベンチマークデータセットと4つの最先端マッチングモデルの実験は、提案手法が大幅に、一貫したパフォーマンス改善をもたらすことを示している。
論文参考訳（メタデータ） (2020-04-06T06:34:54Z)

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。