論文の概要: FSOCO: The Formula Student Objects in Context Dataset

• arxiv url: http://arxiv.org/abs/2012.07139v5
• Date: Mon, 31 Mar 2025 12:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:16:49.750044
• Title: FSOCO: The Formula Student Objects in Context Dataset
• Title（参考訳）: FSOCO:コンテキストデータセットにおけるフォーミュラ学生オブジェクト
• Authors: Niclas Vödisch, David Dodel, Michael Schötz,
• Abstract要約: FSOCOデータセット(英: FSOCO dataset)は、フォーミュラ・ディレクタレス・コンペティションにおける視覚ベースのコーン検出システムのための協調データセットである。 それは、境界ボックスとインスタンスワイドセグメンテーションマスクの両方のための、人間の注釈付き接地真理ラベルを含んでいる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents the FSOCO dataset, a collaborative dataset for vision-based cone detection systems in Formula Student Driverless competitions. It contains human annotated ground truth labels for both bounding boxes and instance-wise segmentation masks. The data buy-in philosophy of FSOCO asks student teams to contribute to the database first before being granted access ensuring continuous growth. By providing clear labeling guidelines and tools for a sophisticated raw image selection, new annotations are guaranteed to meet the desired quality. The effectiveness of the approach is shown by comparing prediction results of a network trained on FSOCO and its unregulated predecessor. The FSOCO dataset can be found at https://fsoco.github.io/fsoco-dataset/.
• Abstract（参考訳）: 本稿ではFSOCOデータセットについて,フォーミュラ学生ドライバレス競技における視覚に基づくコーン検出システムのための協調的データセットを提案する。 それは、境界ボックスとインスタンスワイドセグメンテーションマスクの両方のための、人間の注釈付き接地真理ラベルを含んでいる。 FSOCOのデータ購入哲学は、学生チームに、継続的成長を保証するためのアクセスを与えられる前に、まずデータベースに貢献するように求めている。 洗練された生画像選択のための明確なラベル付けガイドラインとツールを提供することにより、新しいアノテーションが望ましい品質を満たすことが保証される。 提案手法の有効性は、FSOCOとその非規制前駆者のネットワークの予測結果を比較することで示される。 FSOCOデータセットはhttps://fsoco.github.io/fsoco-dataset/で見ることができる。

関連論文リスト

• The MERIT Dataset: Modelling and Efficiently Rendering Interpretable Transcripts [0.0]
  本稿では,学校レポートの文脈における完全ラベル付きデータセットであるMERITデータセットを紹介する。 その性質上、MERITデータセットは、制御された方法でバイアスを含む可能性があるため、言語モデル(LLM)で誘導されるバイアスをベンチマークするための貴重なツールである。 データセットの有用性を示すため,トークン分類モデルを用いたベンチマークを行い,SOTAモデルにおいてもデータセットが重要な課題となることを示す。
  論文  参考訳（メタデータ） (2024-08-31T12:56:38Z)
• Task-customized Masked AutoEncoder via Mixture of Cluster-conditional Experts [104.9871176044644]
  Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。 我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。 MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-08T03:46:32Z)
• The Pursuit of Human Labeling: A New Perspective on Unsupervised Learning [6.17147517649596]
  HUMEは、外部の監視なしに、与えられたデータセットの人間のラベル付けを推測するためのモデルに依存しないフレームワークである。 HUMEはこの洞察を利用して、データセットのすべてのラベリングを探索し、基礎となる人間のラベリングを発見する。 提案手法は,データセットの真理ラベル付けと極めてよく相関していることを示す。
  論文  参考訳（メタデータ） (2023-11-06T08:16:41Z)
• Benchmarking a Benchmark: How Reliable is MS-COCO? [0.0]
  MS-COCOの再注釈であるSama-COCOは、形状解析パイプラインを利用して潜在的なバイアスを発見するために用いられる。 モデルは、異なるアノテーション条件の影響を調べるために、両方のデータセットでトレーニングされ、評価される。
  論文  参考訳（メタデータ） (2023-11-05T16:55:40Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• Text-Based Person Search with Limited Data [66.26504077270356]
  テキストベースの人物検索(TBPS)は、画像ギャラリーから対象人物を記述的なテキストクエリで検索することを目的としている。 限られたデータによってもたらされる問題に対処する2つの新しいコンポーネントを持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-20T22:20:47Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• Free Lunch for Co-Saliency Detection: Context Adjustment [14.688461235328306]
  市販のサリエンシ検出データセットからの画像を利用して新しいサンプルを合成する「コストフリー」グループカットペースト(GCP)手順を提案する。 我々は、Context Adjustment Trainingと呼ばれる新しいデータセットを収集します。データセットの2つのバリエーション、すなわち、CATとCAT+は、それぞれ16,750と33,500の画像で構成されています。
  論文  参考訳（メタデータ） (2021-08-04T14:51:37Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。