Fugu-MT 論文翻訳(概要): 5th Place Solution for VSPW 2021 Challenge

論文の概要: 5th Place Solution for VSPW 2021 Challenge

arxiv url: http://arxiv.org/abs/2112.06379v1
Date: Mon, 13 Dec 2021 02:27:05 GMT
ステータス: 処理完了
システム内更新日: 2021-12-14 17:08:05.244349
Title: 5th Place Solution for VSPW 2021 Challenge
Title（参考訳）: 第5回 VSPW 2021 チャレンジ
Authors: Jiafan Zhuang, Yixin Zhang, Xinyu Hu, Junjie Li, Zilei Wang
Abstract要約: 本稿では,VSPW 2021 Challengeで使用したソリューションを紹介する。実験はSwin TransformerとMaskFormerの2つのベースラインモデルに基づいている。外部セグメンテーションデータセットを使わずに、私たちのソリューションはプライベートリーダーボードで5位にランクインしました。
参考スコア（独自算出の注目度）: 29.246666942808673
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this article, we introduce the solution we used in the VSPW 2021 Challenge. Our experiments are based on two baseline models, Swin Transformer and MaskFormer. To further boost performance, we adopt stochastic weight averaging technique and design hierarchical ensemble strategy. Without using any external semantic segmentation dataset, our solution ranked the 5th place in the private leaderboard. Besides, we have some interesting attempts to tackle long-tail recognition and overfitting issues, which achieves improvement on val subset. Maybe due to distribution difference, these attempts don't work on test subset. We will also introduce these attempts and hope to inspire other researchers.
Abstract（参考訳）: 本稿では,VSPW 2021 Challengeで使用したソリューションを紹介する。実験はSwin TransformerとMaskFormerの2つのベースラインモデルに基づいている。さらなる性能向上のために,確率的重み平均化手法と階層的アンサンブル戦略を採用した。外部のセマンティクスセグメンテーションデータセットを使用せずに、ソリューションはプライベートなリーダボードで5位にランクインしました。さらに,valサブセットの改善を実現するために,長期の認識と過剰適合の問題に対処するための興味深い試みもいくつかある。おそらく分布の違いのため、これらの試みはテストサブセットでは動作しません。これらの試みも紹介し、他の研究者に刺激を与えたいと思っています。

関連論文リスト

Constrained C-Test Generation via Mixed-Integer Programming [55.28927994487036]
本研究は,単語の最後の部分のみをギャップに変換する,クローズテスト(ギャップ充足運動)の形式であるC-テストを生成する新しい手法を提案する。局所最適解を実現するために, ギャップサイズやギャップ配置の変化のみを考慮する従来の研究とは対照的に, 混合整数プログラミング(MIP)アプローチを提案する。当社のコード、モデル、収集したデータは32の英語のC-Testで、それぞれ20のギャップ(3,200の個別のギャップ応答)をオープンソースライセンスで公開しています。
論文参考訳（メタデータ） (2024-04-12T21:35:21Z)
PMB5: Gaining More Insight into Neural Semantic Parsing with Challenging Benchmarks [9.31054333943453]
並列平均銀行における意味解析と意味テキスト生成のためのニューラルモデルの評価を行った。まず、事前のランダム分割の代わりに、標準的なテストデータの信頼性を向上させるために、より体系的な分割手法を提案する。第二に、標準的なテストセットを除いて、談話構造を含む長いテキストを持つものと、構成的一般化に対処するものという2つの課題セットを提案する。
論文参考訳（メタデータ） (2024-04-12T09:48:58Z)
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)
Extending the Forward Forward Algorithm [1.448946342885513]
MNISTデータセット上でGeoffrey Hintonの実験を再現する。我々は,IMDb映画レビューデータセット上で,フォワードフォワードネットワークのベースライン性能を確立する。私たちが知る限り、この感情分析タスクの結果は、コンピュータビジョンを超えたアルゴリズムの拡張の最初の例である。
論文参考訳（メタデータ） (2023-07-09T15:26:18Z)
Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文参考訳（メタデータ） (2023-01-03T13:06:44Z)
Rotation Invariance and Extensive Data Augmentation: a strategy for the Mitosis Domain Generalization (MIDOG) Challenge [1.52292571922932]
我々は,MIDOG 2021コンペティションに参加するための戦略を提示する。このコンペティションの目的は、目に見えないターゲットスキャナーで取得した画像に対する解の一般化を評価することである。本稿では,最先端のディープラーニング手法の組み合わせに基づく解を提案する。
論文参考訳（メタデータ） (2021-09-02T10:09:02Z)
1st Place Solution for ICDAR 2021 Competition on Mathematical Formula Detection [3.600275712225597]
数式検出(MFD)に関するICDAR 2021コンペティションの第一位ソリューションを提示する。 MFDタスクには、大規模スパン、高さと幅の比率の大きなばらつき、リッチな文字集合と数学的表現を含む3つの重要な課題がある。これらの課題を考慮し, アンカーフリー手法であるGeneralized Focal Loss (GFL) を用いた。
論文参考訳（メタデータ） (2021-07-12T16:03:16Z)
NTIRE 2021 Multi-modal Aerial View Object Classification Challenge [88.89190054948325]
CVPR の NTIRE 2021 ワークショップと共同で,MAVOC (Multi-modal Aerial View Object Classification) の最初の挑戦を紹介した。この課題は、EOとSAR画像を用いた2つの異なるトラックで構成されている。本コンペティションで提案した最上位の手法について検討し,その成果を目視テストセットで評価する。
論文参考訳（メタデータ） (2021-07-02T16:55:08Z)
Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
論文参考訳（メタデータ） (2020-10-23T08:33:04Z)
Doubly-stochastic mining for heterogeneous retrieval [74.43785301907276]
現代の検索問題は、数十億のラベルを持つトレーニングセットによって特徴づけられる。ラベルの数が多ければ、単一の例であっても標準的な損失を最適化することは困難である。両課題に対処するため, 二重確率地雷 (S2M) を提案する。
論文参考訳（メタデータ） (2020-04-23T00:43:13Z)

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。