論文の概要: The Second Place Solution for ICCV2021 VIPriors Instance Segmentation Challenge

• arxiv url: http://arxiv.org/abs/2112.01072v1
• Date: Thu, 2 Dec 2021 09:23:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 15:30:41.160729
• Title: The Second Place Solution for ICCV2021 VIPriors Instance Segmentation Challenge
• Title（参考訳）: ICCV2021 VIPriors Instance Segmentation Challengeの第2位
• Authors: Bo Yan, Fengliang Qi, Leilei Cao and Hongbin Wang
• Abstract要約: データ効率のよいコンピュータビジョンのためのビジュアルインダクティブプライオリティ(VIPriors)は、競合に対して、データ不足の環境でモデルをゼロからトレーニングするように求めている。 ICCV 2021 VIPriorsインスタンスセグメンテーションチャレンジの技術的詳細を紹介する。 ICCV 2021 VIPriors インスタンスセグメンテーションの試験セットで 40.2%AP@0.50:0.95 を達成することができる。
• 参考スコア（独自算出の注目度）: 6.087398773657721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Visual Inductive Priors(VIPriors) for Data-Efficient Computer Vision challenges ask competitors to train models from scratch in a data-deficient setting. In this paper, we introduce the technical details of our submission to the ICCV2021 VIPriors instance segmentation challenge. Firstly, we designed an effective data augmentation method to improve the problem of data-deficient. Secondly, we conducted some experiments to select a proper model and made some improvements for this task. Thirdly, we proposed an effective training strategy which can improve the performance. Experimental results demonstrate that our approach can achieve a competitive result on the test set. According to the competition rules, we do not use any external image or video data and pre-trained weights. The implementation details above are described in section 2 and section 3. Finally, our approach can achieve 40.2\%AP@0.50:0.95 on the test set of ICCV2021 VIPriors instance segmentation challenge.
• Abstract（参考訳）: データ効率の良いコンピュータビジョンの課題に対するヴィジュアルインダクティブ・プリミティブ(vipriors)は、データ不足の環境でモデルをスクラッチからトレーニングすることを要求する。 本稿では,ICCV2021 VIPriorsインスタンスセグメンテーションチャレンジの技術的詳細を紹介する。 まず,データ不足問題を改善するための効果的なデータ拡張手法を考案した。 第2に,適切なモデルを選択するための実験を行い,この課題に対していくつかの改善を行った。 第3に,性能向上のための効果的なトレーニング戦略を提案する。 実験結果から,本手法はテストセット上での競合結果が得られることが示された。 競争ルールでは、外部画像やビデオデータや事前訓練された重みは使用しない。 上記実装の詳細は、第2条及び第3節に記載する。 最後に、ICCV2021 VIPriorsインスタンスセグメンテーションの試験セットで40.2\%AP@0.50:0.95を達成する。

関連論文リスト

• Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
  トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。 まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。 第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-15T09:18:54Z)
• Boosting Visual-Language Models by Exploiting Hard Samples [126.35125029639168]
  HELIPは、既存のCLIPモデルの性能を高めるための費用対効果戦略である。 我々の方法では、既存のモデルのトレーニングパイプラインと懸命に統合できます。 包括的なベンチマークでは、HELIPはパフォーマンス向上のために既存のモデルを継続的に強化する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• Task-Specific Data Augmentation and Inference Processing for VIPriors Instance Segmentation Challenge [9.43662534739698]
  タスク固有のデータ拡張戦略とタスク固有の推論処理戦略を開発する。 本稿では,VIPriors Instance Challengeにおける提案手法の適用性を示す。 実験結果から,提案手法は2022 VIPriors Instance Challengeのテストセットにおいて,競合的な結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-11-21T09:15:30Z)
• The Third Place Solution for CVPR2022 AVA Accessibility Vision and Autonomy Challenge [12.37168905253371]
  本稿では,CVPR2022 AVA Challengeへの提出の技術的詳細を紹介する。 まず,本課題に対する適切なモデルとデータ拡張戦略の導入を支援するために,いくつかの実験を行った。 次に,性能向上のための効果的なトレーニング戦略を適用した。
  論文  参考訳（メタデータ） (2022-06-28T03:05:37Z)
• Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
  トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。 この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-11-23T18:59:08Z)
• "Knights": First Place Submission for VIPriors21 Action Recognition Challenge at ICCV 2021 [39.990872080183884]
  本稿では,Kineetics400ViPriorsの小さなサブセット上での動作認識タスクを解決するために,「夜」を提示する。 提案手法は,最先端の時間的コントラスト型自己教師型事前学習,ビデオトランスフォーマーモデル,光学フローのモダリティの3つの構成要素を有する。
  論文  参考訳（メタデータ） (2021-10-14T22:47:31Z)
• An Empirical Study of Vehicle Re-Identification on the AI City Challenge [19.13038665501964]
  Track2は、現実世界のデータと合成データの両方を扱う車両再識別(ReID)タスクである。 主に、この課題におけるトレーニングデータ、教師なしドメイン適応(UDA)トレーニング、後処理、モデルアンサンブルの4点に注目します。 以上の手法により, 最終的に0.7445mAPのスコアが得られた。
  論文  参考訳（メタデータ） (2021-05-20T12:20:52Z)
• VIPriors 1: Visual Inductive Priors for Data-Efficient Deep Learning Challenges [8.50468505606714]
  私たちは、モデルをスクラッチからトレーニングする4つのデータ障害課題を提供し、トレーニングサンプルの数を全セットのごく一部に削減します。 データ効率を向上するため、事前学習されたモデルやその他の移動学習技術の使用を禁止した。
  論文  参考訳（メタデータ） (2021-03-05T15:58:17Z)
• Efficient Conditional Pre-training for Transfer Learning [71.01129334495553]
  本稿では,事前学習データセットから関連するサブセットを選択するための効率的なフィルタリング手法を提案する。 我々は、教師なし設定と教師なし設定の両方において、ImageNetで事前トレーニングを行うことで、我々の技術を検証する。 我々は、サブセットで利用可能なモデルをチューニングし、大規模なデータセットからフィルタリングされたデータセットで事前トレーニングすることで、標準のImageNet事前トレーニングを1～3%改善する。
  論文  参考訳（メタデータ） (2020-11-20T06:16:15Z)
• LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
  Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。 我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。 この技術的レポートは、課題のハイライトを要約している。
  論文  参考訳（メタデータ） (2020-10-17T13:06:12Z)
• 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
  我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。 具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。 提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
  論文  参考訳（メタデータ） (2020-08-10T09:50:28Z)

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。