論文の概要: Results and findings of the 2021 Image Similarity Challenge

• arxiv url: http://arxiv.org/abs/2202.04007v1
• Date: Tue, 8 Feb 2022 17:23:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 16:08:54.211823
• Title: Results and findings of the 2021 Image Similarity Challenge
• Title（参考訳）: 2021年画像類似性チャレンジの結果と結果
• Authors: Zo\"e Papakipos, Giorgos Tolias, Tomas Jenicek, Ed Pizzi, Shuhei Yokoo, Wenhao Wang, Yifan Sun, Weipu Zhang, Yi Yang, Sanjay Addicam, Sergio Manuel Papadakis, Cristian Canton Ferrer, Ondrej Chum, Matthijs Douze
• Abstract要約: 2021年のイメージ類似性チャレンジでは、最新の画像コピー検出方法を評価するための新しいベンチマークとしてデータセットが導入された。 本稿では,トップ・サブミッションの定量的,定性的な分析について述べる。
• 参考スコア（独自算出の注目度）: 43.79331237080075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The 2021 Image Similarity Challenge introduced a dataset to serve as a new benchmark to evaluate recent image copy detection methods. There were 200 participants to the competition. This paper presents a quantitative and qualitative analysis of the top submissions. It appears that the most difficult image transformations involve either severe image crops or hiding into unrelated images, combined with local pixel perturbations. The key algorithmic elements in the winning submissions are: training on strong augmentations, self-supervised learning, score normalization, explicit overlay detection, and global descriptor matching followed by pairwise image comparison.
• Abstract（参考訳）: 2021年のイメージ類似性チャレンジでは、最新の画像コピー検出方法を評価するための新しいベンチマークとしてデータセットが導入された。 大会には200人が参加した。 本稿では,トップ投稿の量的・質的分析について述べる。 最も難しい画像変換は、重度の画像作物または無関係な画像に隠れることと、局所的なピクセルの摂動の組み合わせである。 優勝作品の鍵となるアルゴリズム要素は、強化強化のトレーニング、自己教師付き学習、スコアの正規化、明示的なオーバーレイ検出、グローバルディスクリプタマッチング、ペアワイズ画像比較である。

関連論文リスト

• A Strong Baseline for the VIPriors Data-Efficient Image Classification Challenge [9.017660524497389]
  本稿では,VIPriorsチャレンジデータセットに基づく,データ効率の高い画像分類のための強力なベースラインを提案する。 我々のベースラインは精度69.7%に達し、VIPriors 2021チャレンジへの応募の50%を上回っている。
  論文  参考訳（メタデータ） (2021-09-28T08:45:15Z)
• Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
  セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。 画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:34:14Z)
• The 2021 Image Similarity Dataset and Challenge [32.202821997745716]
  本稿では,大規模画像類似度検出のための新しいベンチマークを提案する。 目標は、クエリイメージが、サイズ100万の参照コーパス内の任意のイメージの修正コピーであるかどうかを決定することである。
  論文  参考訳（メタデータ） (2021-06-17T17:23:59Z)
• NTIRE 2021 Challenge on Perceptual Image Quality Assessment [128.83256694901726]
  NTIRE 2021の知覚画像品質評価(IQA)に関する課題について報告する。 CVPR 2021では、画像修復・強化ワークショップ(NTIRE)のNew Trendsと連携して開催されました。 新しいタイプの画像処理技術として、GAN(Generative Adversarial Networks)に基づく知覚画像処理アルゴリズムが、より現実的なテクスチャを持つ画像を生成する。
  論文  参考訳（メタデータ） (2021-05-07T05:36:54Z)
• NTIRE 2021 Challenge on Image Deblurring [111.14036064783835]
  提案手法を用いて,2つのコンペティショントラックの課題仕様と評価結果について述べる。 各競技では338と238の参加者が参加し、最終試験段階では18と17のチームが出場した。 入賞方法は, 共同で組み合わせた人工物を用いて, 画像劣化処理における最先端性能を示す。
  論文  参考訳（メタデータ） (2021-04-30T09:12:53Z)
• NTIRE 2020 Challenge on Image Demoireing: Methods and Results [111.72904895149804]
  この課題はCVPR 2020と共同で開かれたNTIRE(New Trends in Image Restoration and Enhancement)ワークショップの一部だった。 提案手法は, 地上の真理清浄画像と参加者の手法による復元画像とのピーク信号-雑音比(PSNR)を用いて, その忠実度を評価した。
  論文  参考訳（メタデータ） (2020-05-06T22:05:58Z)
• I Am Going MAD: Maximum Discrepancy Competition for Comparing Classifiers Adaptively [135.7695909882746]
  我々は、MAD(Maximum Discrepancy)コンペティションを命名する。 任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。 結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
  論文  参考訳（メタデータ） (2020-02-25T03:32:29Z)
• Learning Transformation-Aware Embeddings for Image Forensics [15.484408315588569]
  Image Provenance Analysisは、コンテンツを共有するさまざまな操作されたイメージバージョン間の関係を見つけることを目的としている。 証明分析のための主要なサブプロブレムの1つは、完全なコンテンツを共有したり、ほぼ重複している画像の編集順序である。 本稿では,1つの画像から生成した画像に対して,変換を通じて妥当な順序付けを行うための,新しい深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-13T22:01:24Z)

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。