論文の概要: Instance Segmentation Challenge Track Technical Report, VIPriors Workshop at ICCV 2021: Task-Specific Copy-Paste Data Augmentation Method for Instance Segmentation

• arxiv url: http://arxiv.org/abs/2110.00470v1
• Date: Fri, 1 Oct 2021 15:03:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:46:30.996831
• Title: Instance Segmentation Challenge Track Technical Report, VIPriors Workshop at ICCV 2021: Task-Specific Copy-Paste Data Augmentation Method for Instance Segmentation
• Title（参考訳）: インスタンスセグメンテーションチャレンジトラック技術報告, vipriors workshop at iccv 2021: task-specific copy-paste data augmentation method for instance segmentation
• Authors: Jahongir Yunusov, Shohruh Rakhmatov, Abdulaziz Namozov, Abdulaziz Gaybulayev and Tae-Hyong Kim
• Abstract要約: Copy-Pasteは、インスタンスセグメンテーションのための非常に効果的なデータ拡張であることが証明されている。 我々はRandAugmentやGridMaskといった追加のデータ拡張手法を適用した。 トレーニングデータに検証セットを追加することで、テストセットで0.477 AP@0.50:0.95に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Copy-Paste has proven to be a very effective data augmentation for instance segmentation which can improve the generalization of the model. We used a task-specific Copy-Paste data augmentation method to achieve good performance on the instance segmentation track of the 2nd VIPriors workshop challenge. We also applied additional data augmentation techniques including RandAugment and GridMask. Our segmentation model is the HTC detector on the CBSwin-B with CBFPN with some tweaks. This model was trained at the multi-scale mode by a random sampler on the 6x schedule and tested at the single-scale mode. By combining these techniques, we achieved 0.398 AP@0.50:0.95 with the validation set and 0.433 AP@0.50:0.95 with the test set. Finally, we reached 0.477 AP@0.50:0.95 with the test set by adding the validation set to the training data. Source code is available at https://github.com/jahongir7174/VIP2021.
• Abstract（参考訳）: Copy-Pasteは、モデルの一般化を改善するインスタンスセグメンテーションのための非常に効果的なデータ拡張であることが証明されている。 我々は,タスク固有のCopy-Pasteデータ拡張手法を用いて,第2回VIPriorsワークショップチャレンジのインスタンスセグメンテーショントラックの性能を向上した。 randaugmentやgridmaskといった追加のデータ拡張技術も適用しました。 本誌のセグメンテーションモデルは、CBSwin-BのHTC検出器でCBFPNに微調整を加えている。 このモデルは6倍のスケジュールでランダムサンプリングによりマルチスケールモードで訓練され、シングルスケールモードでテストされた。 これらの手法を組み合わせることで、検証セットで0.398 ap@0.50:0.95、テストセットで 0.433 ap@0.50:0.95 を達成した。 最後に、トレーニングデータに検証セットを追加することで、テストセットで0.477 ap@0.50:0.95に達した。 ソースコードはhttps://github.com/jahongir7174/vip2021。

関連論文リスト

• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• pSTarC: Pseudo Source Guided Target Clustering for Fully Test-Time Adaptation [15.621092104244003]
  テスト時間適応(TTA)は機械学習において重要な概念であり、モデルが現実世界のシナリオでうまく機能することを可能にする。 そこで本研究では,TTAの比較的未探索領域を実世界のドメインシフト下で解決する手法として,擬似ソースガイドターゲットクラスタリング(pSTarC)を提案する。
  論文  参考訳（メタデータ） (2023-09-02T07:13:47Z)
• The Second-place Solution for CVPR VISION 23 Challenge Track 1 -- Data Effificient Defect Detection [3.4853769431047907]
  データ有効欠陥検出のためのビジョンチャレンジトラック1は、競合相手がデータ不足の環境で14の産業検査データセットを例示する必要がある。 この課題に対して、Aoi-overfiting-Teamチームの技術詳細を紹介します。
  論文  参考訳（メタデータ） (2023-06-25T03:37:02Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• X-Paste: Revisiting Scalable Copy-Paste for Instance Segmentation using CLIP and StableDiffusion [137.84635386962395]
  Copy-Pasteは、インスタンスセグメンテーションのためのシンプルで効果的なデータ拡張戦略である。 新たに登場したゼロショット認識モデルのパワーで、Copy-Pasteを大規模に再考する。 X-Pasteは、Swin-Lをバックボーンとして、強力なベースラインであるCenterNet2よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-12-07T18:59:59Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Data-Efficient Instance Segmentation with a Single GPU [88.31338435907304]
  我々は2021年のVIPriors Instance Challengeで使用したデータ効率のセグメンテーション手法を紹介した。 私たちのソリューションは、強力なツールボックスであるmmdetectionをベースにした、Swin Transformerの修正版です。 本手法は,全競技者の2位である0.592のAP@0.50:0.95(medium)を達成した。
  論文  参考訳（メタデータ） (2021-10-01T07:36:20Z)
• Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation [94.4931516162023]
  例えば、画像にランダムにオブジェクトを貼り付けるセグメンテーションのコピーペースト拡張([13, 12])を研究した。 オブジェクトをランダムに貼り付ける単純なメカニズムは十分十分であり、強いベースラインの上にしっかりとした利得を与えることができる。 我々のベースラインモデルは、まれなカテゴリで+3.6マスクapでlvis 2020チャレンジ入賞を上回っている。
  論文  参考訳（メタデータ） (2020-12-13T22:59:45Z)

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。