Fugu-MT 論文翻訳(概要): 2nd Place Solution to Google Landmark Retrieval 2021

論文の概要: 2nd Place Solution to Google Landmark Retrieval 2021

arxiv url: http://arxiv.org/abs/2110.04294v1
Date: Fri, 8 Oct 2021 17:59:58 GMT
ステータス: 処理完了
システム内更新日: 2021-10-11 15:03:53.319300
Title: 2nd Place Solution to Google Landmark Retrieval 2021
Title（参考訳）: Googleのランドマーク検索2021年の第2位
Authors: Zhang Yuqi, Xu Xianzhe, Chen Weihua, Wang Yaohua, Zhang Fangyi, Wang Fan, Li Hao
Abstract要約: 本稿では,Google Landmark Retrieval 2021 Competition on Kaggleに関する2番目のソリューションを提案する。本手法は, 個人の再識別によるトレーニングトリックをベースラインとして, 国別タグによるトレーニング画像を選択するための大陸対応サンプリング戦略を提示し, 検索タスクに対してランドマーク・カウンタリー・アウェア・リオークティング(Landmark-Country aware re rank)を提案する。
参考スコア（独自算出の注目度）: 1.2776569352615768
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the 2nd place solution to the Google Landmark Retrieval 2021 Competition on Kaggle. The solution is based on a baseline with training tricks from person re-identification, a continent-aware sampling strategy is presented to select training images according to their country tags and a Landmark-Country aware reranking is proposed for the retrieval task. With these contributions, we achieve 0.52995 mAP@100 on private leaderboard. Code available at https://github.com/WesleyZhang1991/Google_Landmark_Retrieval_2021_2nd_Place_Solution
Abstract（参考訳）: 本稿では,Google Landmark Retrieval 2021 Competition on Kaggleに関する2番目のソリューションを提案する。本手法は, 個人の再識別によるトレーニングトリックをベースラインとして, 国別タグによるトレーニング画像を選択するための大陸対応サンプリング戦略を提示し, 検索タスクにランドマーク・カウンタリーを意識したリランクを提案する。これらの貢献により、プライベートリーダーボードで0.52995 mAP@100を達成する。 https://github.com/WesleyZhang1991/Google_Landmark_Retrieval_2021_2nd_Place_Solutionで利用可能なコード

関連論文リスト

NTIRE 2024 Restore Any Image Model (RAIM) in the Wild Challenge [60.21380105535203]
RAIMチャレンジは野生での画像復元のためのベンチマークを構築した。参加者は、実際の撮影画像が複雑で未知の劣化から復元されることが求められた。トップランクの手法は最先端の復元性能を改善し、18人の審査員から全会一致の承認を得た。
論文参考訳（メタデータ） (2024-05-16T09:26:13Z)
1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
論文参考訳（メタデータ） (2022-10-23T20:52:22Z)
2nd Place Solution to Google Universal Image Embedding [0.0]
本稿では,Google Universal Image Embedding Competitionにおける第2位のソリューションについて述べる。この競合を解くために、インスタンスレベルのきめ細かい画像分類法を用いる。
論文参考訳（メタデータ） (2022-10-17T04:04:16Z)
RangL: A Reinforcement Learning Competition Platform [82.1944886411643]
RangLは、現実世界の動的決定問題に関連する競争を支援することで、強化学習のより広範な普及を促進することを目的としている。この記事では、RangLチームが開発し、2022 Pathways to Net Zero Challengeにデプロイした再利用可能なコードリポジトリについて説明する。このチャレンジの勝利の解決策は、2050年までに英国のエネルギー移行政策をゼロ炭素排出量に最適化することである。
論文参考訳（メタデータ） (2022-07-28T09:44:21Z)
2nd Place Solution to Google Landmark Retrieval 2020 [15.620571007364362]
本稿では,Google Landmark Retrieval Competition 2020における第2位のソリューションについて述べる。後処理を伴わないランドマーク検索のためのグローバル特徴モデルのトレーニング手法を提案する。
論文参考訳（メタデータ） (2022-07-11T10:14:14Z)
L2G: A Simple Local-to-Global Knowledge Transfer Framework for Weakly Supervised Semantic Segmentation [67.26984058377435]
高品質なオブジェクトアテンションマイニングのための簡易なローカル・グローバルな知識伝達フレームワークであるL2Gについて述べる。本フレームワークは,グローバルな視点から収集したリッチオブジェクトの詳細知識をグローバルネットワークで学習する。実験の結果,PASCAL VOC 2012とMS COCO 2014の検証セットにおいて,72.1%,44.2%のmIoU値が得られた。
論文参考訳（メタデータ） (2022-04-07T04:31:32Z)
3rd Place Solution to Google Landmark Recognition Competition 2021 [17.59843220514826]
Google Landmark Recognition 2021コンペティションのソリューションを紹介します。アンサンブルされたモデルは、民間のリーダーボードで0.489点を獲得し、2021年のGoogleランドマーク認識コンペティションで3位となった。
論文参考訳（メタデータ） (2021-10-06T14:17:54Z)
Deep learning based registration using spatial gradients and noisy segmentation labels [52.78503776563559]
ディープラーニングベースのアプローチは、高速かつ実行可能な登録戦略を提供することで、非常に人気を博しました。我々の研究は(i)対称な定式化に依存し、ソースからターゲットへの変換とターゲットからソースへの変換を同時に予測し、訓練された表現を類似させる。本手法では,タスク3では0.64ドル,テスト4では0.85ドルの平均ダイスを報告し,3位となった。
論文参考訳（メタデータ） (2020-10-21T11:08:45Z)
3rd Place Solution to "Google Landmark Retrieval 2020" [11.78419680436906]
本稿では,Google Landmark Retrieval 2020チャレンジに対する3位の詳細ソリューションについて紹介する。メカニカルラーニングを用いたデータクリーニングとモデルの探索に重点を置いている。我々はCorner-Cutmixと呼ばれるデータ拡張手法を採用し、モデルがマルチスケールで隠蔽されたランドマーク画像を認識する能力を向上する。
論文参考訳（メタデータ） (2020-08-24T14:39:51Z)
1st Place Solution to Google Landmark Retrieval 2020 [0.0]
本稿は、Kaggleに関するGoogle Landmark Retrieval 2020コンペティションの第1位となるソリューションを提示する。このソリューションは、多数のランドマーククラスを分類するためのメトリックラーニングに基づいており、2つのトレインデータセットによるトランスファーラーニングを使用している。
論文参考訳（メタデータ） (2020-08-24T05:45:20Z)
1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
論文参考訳（メタデータ） (2020-03-17T06:45:07Z)

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。