論文の概要: DeepLab2: A TensorFlow Library for Deep Labeling

• arxiv url: http://arxiv.org/abs/2106.09748v1
• Date: Thu, 17 Jun 2021 18:04:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 14:08:58.917988
• Title: DeepLab2: A TensorFlow Library for Deep Labeling
• Title（参考訳）: DeepLab2: ディープラベリングのためのTensorFlowライブラリ
• Authors: Mark Weber, Huiyu Wang, Siyuan Qiao, Jun Xie, Maxwell D. Collins, Yukun Zhu, Liangzhe Yuan, Dahun Kim, Qihang Yu, Daniel Cremers, Laura Leal-Taixe, Alan L. Yuille, Florian Schroff, Hartwig Adam, Liang-Chieh Chen
• Abstract要約: DeepLab2は、コンピュータビジョンにおける一般的な高密度ピクセル予測問題に対するディープラベリングのためのライブラリである。 DeepLab2には、トレーニング済みのチェックポイントとモデルトレーニングと評価コードを備えた、最近開発したDeepLabモデルのバリエーションがすべて含まれています。 DeepLab2の有効性を示すために、Axial-SWideRNetをネットワークバックボーンとして使用したPanoptic-DeepLabは、Cityscaspes検証セット上で68.0% PQまたは83.5% mIoUを達成した。
• 参考スコア（独自算出の注目度）: 118.95446843615049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DeepLab2 is a TensorFlow library for deep labeling, aiming to provide a state-of-the-art and easy-to-use TensorFlow codebase for general dense pixel prediction problems in computer vision. DeepLab2 includes all our recently developed DeepLab model variants with pretrained checkpoints as well as model training and evaluation code, allowing the community to reproduce and further improve upon the state-of-art systems. To showcase the effectiveness of DeepLab2, our Panoptic-DeepLab employing Axial-SWideRNet as network backbone achieves 68.0% PQ or 83.5% mIoU on Cityscaspes validation set, with only single-scale inference and ImageNet-1K pretrained checkpoints. We hope that publicly sharing our library could facilitate future research on dense pixel labeling tasks and envision new applications of this technology. Code is made publicly available at \url{https://github.com/google-research/deeplab2}.
• Abstract（参考訳）: DeepLab2はディープラベリングのためのTensorFlowライブラリで、コンピュータビジョンにおける一般的な高密度ピクセル予測問題に対して、最先端で使いやすいTensorFlowコードベースを提供することを目指している。 DeepLab2には、トレーニング済みのチェックポイントと、モデルトレーニングと評価コードを備えた、最近開発されたDeepLabモデル亜種がすべて含まれています。 DeepLab2の有効性を示すために、ネットワークバックボーンとしてAxial-SWideRNetを使用したPanoptic-DeepLabは、Cityscaspes検証セット上で68.0% PQまたは83.5% mIoUを達成した。 当社のライブラリを公開することで,高密度ピクセルラベリングタスクの今後の研究が促進され,この技術の新たな応用が期待できる。 コードは \url{https://github.com/google-research/deeplab2} で公開されている。

関連論文リスト

• Comgra: A Tool for Analyzing and Debugging Neural Networks [35.89730807984949]
  PyTorchで使用するオープンソースのpythonライブラリであるcomgraを紹介します。 Comgraはモデルの内部アクティベーションに関するデータを抽出し、GUIで整理する。 要約統計と個々のデータポイントの両方を示し、トレーニングの初期段階と後期を比較し、関心のある個々のサンプルに注目し、ネットワークを通しての勾配の流れを可視化する。
  論文  参考訳（メタデータ） (2024-07-31T14:57:23Z)
• Exploring Green AI for Audio Deepfake Detection [21.17957700009653]
  ディープニューラルネットワークを利用した最先端のオーディオディープフェイク検出器は、印象的な認識性能を示している。 ディープNLPモデルはCOtextsubscript2の約626klbのCOtextsubscript2を生成する。 そこで本研究では,標準CPUリソースを用いてシームレスにトレーニング可能な,オーディオディープフェイク検出のための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） (2024-03-21T10:54:21Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• BayesDLL: Bayesian Deep Learning Library [29.624531252627484]
  大規模ディープネットワークのためのPyTorch用の新しいベイズニューラルネットワークライブラリをリリースする。 我々のライブラリは,変分推論,MCドロップアウト,近似勾配MCMC,ラプラス近似といった主流推論アルゴリズムを実装している。
  論文  参考訳（メタデータ） (2023-09-22T15:27:54Z)
• torchgfn: A PyTorch GFlowNet library [56.071033896777784]
  torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。 環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
  論文  参考訳（メタデータ） (2023-05-24T00:20:59Z)
• Sparse Auxiliary Networks for Unified Monocular Depth Prediction and Completion [56.85837052421469]
  コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。 本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。 sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
  論文  参考訳（メタデータ） (2021-03-30T21:22:26Z)
• TensorX: Extensible API for Neural Network Model Design and Deployment [0.0]
  TensorFlowXは、計算における複雑なニューラルネットワークモデルのプロトタイピング、設計、デプロイのためのPythonライブラリである。 使いやすさ、パフォーマンス、APIの一貫性に特に重点を置いています。
  論文  参考訳（メタデータ） (2020-12-29T00:15:38Z)
• Tonic: A Deep Reinforcement Learning Library for Fast Prototyping and Benchmarking [4.721069729610892]
  ディープラーニングは、ここ数年で急速に成長している機械学習の分野のひとつであり、研究を支援するために多くのライブラリがオープンソース化されている。 本稿では、PythonライブラリであるTonicを紹介し、研究者が新しいアイデアを迅速に実装し、その重要性を測ることを可能にする。
  論文  参考訳（メタデータ） (2020-11-15T14:10:37Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
  RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。 本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T04:33:36Z)

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。