論文の概要: The Semi-Supervised iNaturalist-Aves Challenge at FGVC7 Workshop

• arxiv url: http://arxiv.org/abs/2103.06937v1
• Date: Thu, 11 Mar 2021 20:21:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-16 02:34:20.760674
• Title: The Semi-Supervised iNaturalist-Aves Challenge at FGVC7 Workshop
• Title（参考訳）: セミスーパービジョンiNaturalist-Aves Challenge at FGVC7 Workshop
• Authors: Jong-Chyi Su and Subhransu Maji
• Abstract要約: 本稿では,CVPR 2020のFGVC7ワークショップにおいて,半教師付き認識課題として収集した新たなデータセットの詳細と動機について述べる。 データセットには、iNat-2018データセットから採取された1000種の鳥が含まれており、合計で150万枚近い画像がある。
• 参考スコア（独自算出の注目度）: 42.02670649470055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This document describes the details and the motivation behind a new dataset we collected for the semi-supervised recognition challenge~\cite{semi-aves} at the FGVC7 workshop at CVPR 2020. The dataset contains 1000 species of birds sampled from the iNat-2018 dataset for a total of nearly 150k images. From this collection, we sample a subset of classes and their labels, while adding the images from the remaining classes to the unlabeled set of images. The presence of out-of-domain data (novel classes), high class-imbalance, and fine-grained similarity between classes poses significant challenges for existing semi-supervised recognition techniques in the literature. The dataset is available here: \url{https://github.com/cvl-umass/semi-inat-2020}
• Abstract（参考訳）: 本論文は,cvpr 2020 の fgvc7 ワークショップ において,半教師付き認識課題~\cite{semi-aves} のために収集したデータセットの詳細と動機について述べる。 データセットには、iNat-2018データセットから採取された1000種の鳥が含まれており、合計で150万枚近い画像がある。 このコレクションから、クラスとそのラベルのサブセットをサンプリングし、残りのクラスからのイメージをラベル付けされていないイメージセットに追加する。 アウトオブドメインデータ(ノベルクラス)、高いクラスアンバランス、クラス間の細かい類似性の存在は、文学における既存の半監督認識技術にとって重要な課題である。 データセットはここにある: \url{https://github.com/cvl-umass/semi-inat-2020}

関連論文リスト

• Distributionally Robust Classification on a Data Budget [26.69877485937123]
  2.4万の画像サンプル上でのクロスエントロピー損失でトレーニングされた標準ResNet-50は、4億の画像サンプルでトレーニングされたCLIP ResNet-50と同等の堅牢性を達成できることを示す。 これは、限られたデータ予算に対して(ほぼ)最先端の分散ロバスト性を示す最初の結果である。
  論文  参考訳（メタデータ） (2023-08-07T15:30:02Z)
• Better May Not Be Fairer: A Study on Subgroup Discrepancy in Image Classification [73.87160347728314]
  CIFAR10とCIFAR100のテストセットを各画像の背景色に基づいてサブグループにアノテートすることで、自然背景色が刺激的な特徴としてどのように機能するかを検討する。 全体としての人間レベルの精度は、一貫したサブグループ性能を保証せず、この現象はImageNetで事前訓練されたモデルやデータ拡張後のモデルでも継続している。 実験の結果,FlowAugはCIFAR10/100およびCIFAR10/100-C上で,他のDA法よりも一貫したサブグループ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-12-16T18:51:10Z)
• Oracle-MNIST: a Realistic Image Dataset for Benchmarking Machine Learning Algorithms [57.29464116557734]
  我々は,古文字30,222文字の28ドルのグレースケール画像からなるOracle-MNISTデータセットを紹介した。 トレーニングセットは完全に27,222枚の画像で構成され、テストセットにはクラス毎に300枚の画像が含まれている。
  論文  参考訳（メタデータ） (2022-05-19T09:57:45Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• A Strong Baseline for the VIPriors Data-Efficient Image Classification Challenge [9.017660524497389]
  本稿では,VIPriorsチャレンジデータセットに基づく,データ効率の高い画像分類のための強力なベースラインを提案する。 我々のベースラインは精度69.7%に達し、VIPriors 2021チャレンジへの応募の50%を上回っている。
  論文  参考訳（メタデータ） (2021-09-28T08:45:15Z)
• The Semi-Supervised iNaturalist Challenge at the FGVC8 Workshop [42.02670649470055]
  Semi-iNatは、クラス、きめ細かいカテゴリ、ラベル付きデータとラベルなしデータのドメインシフトの長い分布を持つ、半教師付き分類のための挑戦的なデータセットである。 このデータセットは、CVPR 2021のFGVC8ワークショップで開催される、半教師付き認識チャレンジの第2回の背後にある。
  論文  参考訳（メタデータ） (2021-06-02T17:59:41Z)

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。