論文の概要: Joint COCO and Mapillary Workshop at ICCV 2019: COCO Instance Segmentation Challenge Track

• arxiv url: http://arxiv.org/abs/2010.02475v1
• Date: Tue, 6 Oct 2020 04:49:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 07:23:29.640743
• Title: Joint COCO and Mapillary Workshop at ICCV 2019: COCO Instance Segmentation Challenge Track
• Title（参考訳）: ICCV 2019のCOCOとMapillary共同ワークショップ:COCOインスタンスセグメンテーションチャレンジトラック
• Authors: Zeming Li, Yuchen Ma, Yukang Chen, Xiangyu Zhang, Jian Sun
• Abstract要約: MegDetV2は2パス方式で動作し、まずインスタンスを検出し、次にセグメンテーションを取得する。 COCO-2019 検出/インスタンス分割テスト-dev データセットでは,2018 年の勝率それぞれ 5.0/4.2 を上回った 61.0/53.1 mAP を達成した。
• 参考スコア（独自算出の注目度）: 87.90450014797287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this report, we present our object detection/instance segmentation system, MegDetV2, which works in a two-pass fashion, first to detect instances then to obtain segmentation. Our baseline detector is mainly built on a new designed RPN, called RPN++. On the COCO-2019 detection/instance-segmentation test-dev dataset, our system achieves 61.0/53.1 mAP, which surpassed our 2018 winning results by 5.0/4.2 respectively. We achieve the best results in COCO Challenge 2019 and 2020.
• Abstract（参考訳）: 本稿では,2パス方式で動作し,まずインスタンスを検出してセグメンテーションを得る,オブジェクト検出/インスタンスセグメンテーションシステムであるmegdetv2を提案する。 我々のベースライン検出器は主にRPN++と呼ばれる新しい設計のRPNに基づいている。 COCO-2019 検出/インスタンス分割テスト-dev データセットでは,2018 年の勝率それぞれ 5.0/4.2 を上回った 61.0/53.1 mAP を達成した。 私たちはCOCO Challenge 2019と2020で最高の成果を上げています。

関連論文リスト

• Pseudo-label Alignment for Semi-supervised Instance Segmentation [67.9616087910363]
  擬似ラベルは半教師付きインスタンスセグメンテーションにおいて重要である。 既存のパイプラインでは、クラスやマスクの品質のミスマッチにより、貴重な情報を含む擬似ラベルをフィルタリングすることができる。 本稿では,疑似ラベル整合インスタンスセグメンテーション(PAIS)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-10T05:56:53Z)
• Ensembling Instance and Semantic Segmentation for Panoptic Segmentation [0.0]
  メソッドはまず、インスタンスセグメンテーションとセマンティックセグメンテーションを別々に実行し、2つを組み合わせてパン光学セグメンテーション結果を生成する。 トレーニングデータにおけるデータ不均衡問題に対処するために,インスタンスセグメンテーションにおけるMask R-CNNのエキスパートモデルをいくつか追加する。 セグメンテーションでは,様々なバックボーンを持つモデルを訓練し,セグメンテーション結果をさらに強化するアンサンブル戦略を用いた。
  論文  参考訳（メタデータ） (2023-04-20T14:02:01Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• Two stages for visual object tracking [13.851408246039515]
  Siameseベースのトラッカーは、ビジュアルオブジェクト追跡タスクで有望なパフォーマンスを実現している。 本稿では,検出とセグメンテーションという2段階の新たなトラッカーを提案する。 VOT2016では52.6$%、VOT2018では51.3$%、VOT 2019データセットでは39.0$%である。
  論文  参考訳（メタデータ） (2021-04-28T09:11:33Z)
• 1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
  この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。 一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。 自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
  論文  参考訳（メタデータ） (2020-03-17T06:45:07Z)
• Learning Delicate Local Representations for Multi-Person Pose Estimation [77.53144055780423]
  我々はResidual Steps Network (RSN) と呼ばれる新しい手法を提案する。 RSNは同じ空間サイズ(イントラレベルの特徴)の機能を効率よく集約し、微妙な局所表現を得る。 当社のアプローチは,COCO Keypoint Challenge 2019で第1位を獲得しました。
  論文  参考訳（メタデータ） (2020-03-09T10:40:49Z)

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。