論文の概要: Tips and Tricks for Webly-Supervised Fine-Grained Recognition: Learning
from the WebFG 2020 Challenge
- arxiv url: http://arxiv.org/abs/2012.14672v1
- Date: Tue, 29 Dec 2020 09:14:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 03:34:45.569325
- Title: Tips and Tricks for Webly-Supervised Fine-Grained Recognition: Learning
from the WebFG 2020 Challenge
- Title（参考訳）: webly教師付ききめ細かな認識のためのヒントとコツ: webfg 2020チャレンジから学ぶ
- Authors: Xiu-Shen Wei, Yu-Yan Xu, Yazhou Yao, Jia Wei, Si Xi, Wenyuan Xu,
Weidong Zhang, Xiaoxin Lv, Dengpan Fu, Qing Li, Baoying Chen, Haojie Guo,
Taolue Xue, Haipeng Jing, Zhiheng Wang, Tianming Zhang, Mingwen Zhang
- Abstract要約: WebFG 2020は南京科学技術大学が主催する国際大会である。
この課題は、ウェブ監視によるきめ細かい認識問題に注意を払います。
- 参考スコア（独自算出の注目度）: 28.949675859912492
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: WebFG 2020 is an international challenge hosted by Nanjing University of
Science and Technology, University of Edinburgh, Nanjing University, The
University of Adelaide, Waseda University, etc. This challenge mainly pays
attention to the webly-supervised fine-grained recognition problem. In the
literature, existing deep learning methods highly rely on large-scale and
high-quality labeled training data, which poses a limitation to their
practicability and scalability in real world applications. In particular, for
fine-grained recognition, a visual task that requires professional knowledge
for labeling, the cost of acquiring labeled training data is quite high. It
causes extreme difficulties to obtain a large amount of high-quality training
data. Therefore, utilizing free web data to train fine-grained recognition
models has attracted increasing attentions from researchers in the fine-grained
community. This challenge expects participants to develop webly-supervised
fine-grained recognition methods, which leverages web images in training
fine-grained recognition models to ease the extreme dependence of deep learning
methods on large-scale manually labeled datasets and to enhance their
practicability and scalability. In this technical report, we have pulled
together the top WebFG 2020 solutions of total 54 competing teams, and discuss
what methods worked best across the set of winning teams, and what surprisingly
did not help.
- Abstract（参考訳）: WebFG 2020は、南京科学技術大学、エディンバラ大学、南京大学、アデレード大学、早稲田大学などが主催する国際大会である。
この課題は主にWebで制御された微粒化認識問題に注意を払っている。
文献では、既存のディープラーニング手法は大規模で高品質なラベル付きトレーニングデータに強く依存しており、現実のアプリケーションにおけるその実践性とスケーラビリティに限界をもたらす。
特に、詳細な認識では、ラベル付けの専門知識を必要とする視覚的タスクでは、ラベル付きトレーニングデータを取得するコストが極めて高い。
大量の高品質なトレーニングデータを得るのは非常に困難である。
そこで, 自由なWebデータを用いた微粒化認識モデルの学習が, コミュニティの研究者の注目を集めている。
この課題は,大規模手動ラベル付きデータセットに対する深層学習手法の極端依存を緩和し,その実践性と拡張性を高めるため,Webイメージを微粒化モデルの訓練に活用するWeb教師ありの微粒化認識手法を開発することにある。
この技術レポートでは、合計54の競合するチームのWebFG 2020ソリューションのトップをまとめて、勝利したチームのセットで何がベストに機能するか、驚くほど役に立たなかったのかを議論しています。
関連論文リスト
- On the Challenges and Opportunities in Generative AI [135.2754367149689]
現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。
本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
論文 参考訳（メタデータ） (2024-02-28T15:19:33Z) - Embrace Limited and Imperfect Training Datasets: Opportunities and
Challenges in Plant Disease Recognition Using Deep Learning [5.526950086166696]
貧弱なデータセットを受け入れることは可能であり、これらのデータセットの使用に伴う課題を明確に定義することを目的としています。
我々は植物病の認識に重点を置いているが、貧しいデータセットの受け入れと分析の原則は農業を含む幅広い分野に適用可能であることを強調している。
論文 参考訳（メタデータ） (2023-05-19T08:58:09Z) - Universal Object Detection with Large Vision Model [79.06618136217142]
本研究は,大規模多領域普遍物体検出問題に焦点をあてる。
これらの課題に対処するために,ラベル処理,階層型設計,資源効率のよいモデルトレーニングを提案する。
本手法は,ロバスト・ビジョン・チャレンジ2022のオブジェクト検出トラックにおいて,優れた2位の地位を確保した。
論文 参考訳（メタデータ） (2022-12-19T12:40:13Z) - Lessons learned from the NeurIPS 2021 MetaDL challenge: Backbone
fine-tuning without episodic meta-learning dominates for few-shot learning
image classification [40.901760230639496]
本稿では,MetaDLコンペティションシリーズの設計,データセット,最良の実験結果,NeurIPS 2021チャレンジにおける最上位の手法について述べる。
トップ参加者のソリューションがオープンソース化された。
論文 参考訳（メタデータ） (2022-06-15T10:27:23Z) - INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
我々はInterNという新しい学習パラダイムを開発した。
複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。
ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
論文 参考訳（メタデータ） (2021-11-16T18:42:50Z) - The Klarna Product Page Dataset: Web Element Nomination with Graph
Neural Networks and Large Language Models [51.39011092347136]
私たちはKlarna Product Pageデータセットを紹介します。これは、豊かさと多様性で既存のデータセットを超えるWebページの集合です。
我々は、Web要素指名タスクにおいて、GNN(Graph Neural Networks)の範囲を実証的にベンチマークする。
第2に、各ページから少数の関連要素を識別する訓練改善手順を導入する。
第3に,推薦精度をさらに高める新たなトレーニング手法であるChallenge Nomination Training procedureを導入する。
論文 参考訳（メタデータ） (2021-11-03T12:13:52Z) - Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。
このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文 参考訳（メタデータ） (2021-10-24T22:33:52Z) - Webly Supervised Fine-Grained Recognition: Benchmark Datasets and An
Approach [115.91099791629104]
WebFG-496 と WebiNat-5089 の2つの新しいベンチマークを構築した。
WebiNat-5089には5089のサブカテゴリと1100万以上のWebトレーニングイメージが含まれている。
そこで本研究では,これらのデータセットのベンチマークを行うための新しいウェブ教師付き手法("Peer-learning'" と呼ぶ)を提案する。
論文 参考訳（メタデータ） (2021-08-05T06:28:32Z) - Scalable Active Learning for Object Detection [20.99502312184771]
アクティブラーニングは教師付き学習手法のデータ効率を向上させる強力な手法である。
自動運転の分野におけるアクティブな学習のためのスケーラブルな生産システムを構築しました。
論文 参考訳（メタデータ） (2020-04-09T17:28:56Z)
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。