論文の概要: The Semi-Supervised iNaturalist Challenge at the FGVC8 Workshop
- arxiv url: http://arxiv.org/abs/2106.01364v1
- Date: Wed, 2 Jun 2021 17:59:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-03 15:19:34.553914
- Title: The Semi-Supervised iNaturalist Challenge at the FGVC8 Workshop
- Title(参考訳): FGVC8ワークショップにおけるセミスーパービジョンiNaturalistチャレンジ
- Authors: Jong-Chyi Su and Subhransu Maji
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 42.02670649470055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-iNat is a challenging dataset for semi-supervised classification with a
long-tailed distribution of classes, fine-grained categories, and domain shifts
between labeled and unlabeled data. This dataset is behind the second iteration
of the semi-supervised recognition challenge to be held at the FGVC8 workshop
at CVPR 2021. Different from the previous one, this dataset (i) includes images
of species from different kingdoms in the natural taxonomy, (ii) is at a larger
scale --- with 810 in-class and 1629 out-of-class species for a total of 330k
images, and (iii) does not provide in/out-of-class labels, but provides coarse
taxonomic labels (kingdom and phylum) for the unlabeled images. This document
describes baseline results and the details of the dataset which is available
here: \url{https://github.com/cvl-umass/semi-inat-2021}.
- Abstract(参考訳): 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。
このデータセット(i)は、以前のものと異なり、自然分類学における異なる王国の種のイメージを含み、(ii)より大きなスケールで、合計330kの画像に対して810種と1629種がクラス外種、(iii)クラス外ラベルを提供していないが、ラベルのない画像に対して粗い分類学的ラベル(キングダムとフィラム)を提供する。
この文書では、ベースラインの結果と、ここで利用可能なデータセットの詳細を次のように記述している。
関連論文リスト
- A Step Towards Worldwide Biodiversity Assessment: The BIOSCAN-1M Insect
Dataset [18.211840156134784]
本稿では,画像に基づく分類学的評価が可能なコンピュータビジョンモデルの訓練を目的とした,100万画像データセットを提案する。
このデータセットは魅力的な特徴も示しており、その研究はより広範な機械学習コミュニティにとって興味深いものとなるだろう。
論文 参考訳(メタデータ) (2023-07-19T20:54:08Z) - Making Binary Classification from Multiple Unlabeled Datasets Almost
Free of Supervision [128.6645627461981]
本稿では,複数ラベル付きデータセットからの2値分類という新たな問題設定を提案する。
MU-OPPOでは、ラベル付けされていないすべてのデータセットのクラスプリエントは不要です。
このフレームワークは,クラス前の推定誤差が小さくなり,バイナリ分類の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-06-12T11:33:46Z) - 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) - Semi-Supervised Learning with Taxonomic Labels [42.02670649470055]
細粒度領域で画像分類器を訓練するために,粗い分類ラベルを組み込む手法を提案する。
3つの王国にまたがる810種からなるSemi-iNatデータセットでは、フィラムラベルを組み込むことで、種レベルの分類精度が6%向上する。
本稿では,階層構造に導かれる未ラベル画像の集合から,ロバスト性を改善するための関連データを選択する手法を提案する。
論文 参考訳(メタデータ) (2021-11-23T00:50:25Z) - 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-Aves Challenge at FGVC7 Workshop [42.02670649470055]
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。
論文 参考訳(メタデータ) (2021-03-11T20:21:16Z) - Crop mapping from image time series: deep learning with multi-scale
label hierarchies [22.58506027920305]
専門家の知識を活用し,希少作物の分布を著しく改善する作物分類法を開発した。
3レベルラベル階層は畳み込みリカレントニューラルネットワーク(convRNN)に符号化される
我々は,提案手法を新たに公開する大規模データセット上で検証する。
論文 参考訳(メタデータ) (2021-02-17T15:27:49Z) - Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。
これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。
非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
論文 参考訳(メタデータ) (2020-08-28T23:05:15Z)
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。