Fugu-MT 論文翻訳(概要): 2nd Place Solution to Google Landmark Retrieval 2020

論文の概要: 2nd Place Solution to Google Landmark Retrieval 2020

arxiv url: http://arxiv.org/abs/2210.01624v1
Date: Mon, 11 Jul 2022 10:14:14 GMT
ステータス: 処理完了
システム内更新日: 2023-02-05 12:06:51.704422
Title: 2nd Place Solution to Google Landmark Retrieval 2020
Title（参考訳）: Google Landmark Retrieval 2020の第2位
Authors: Min Yang, Cheng Cui, Xuetong Xue, Hui Ren, Kai Wei
Abstract要約: 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。
参考スコア（独自算出の注目度）: 15.620571007364362
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the 2nd place solution to the Google Landmark Retrieval Competition 2020. We propose a training method of global feature model for landmark retrieval without post-processing, such as local feature and spatial verification. There are two parts in our retrieval method in this competition. This training scheme mainly includes training by increasing margin value of arcmargin loss and increasing image resolution step by step. Models are trained by PaddlePaddle framework and Pytorch framework, and then converted to tensorflow 2.2. Using this method, we got a public score of 0.40176 and a private score of 0.36278 and achieved 2nd place in the Google Landmark Retrieval Competition 2020.
Abstract（参考訳）: 本稿では,Google Landmark Retrieval Competition 2020の2位となるソリューションを提案する。本稿では,局所的特徴量や空間的検証など,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学習手法を提案する。このコンペティションでは,検索方法には2つの部分がある。アークマージン損失のマージン値を高め、ステップごとに画像解像度を増大させることで、主にトレーニングを含む。モデルはpaddlepaddleフレームワークとpytorchフレームワークでトレーニングされ、tensorflow 2.2に変換される。この方法を用いて、パブリックスコアが0.40176、プライベートスコアが0.36278となり、Google Landmark Retrieval Competition 2020で2位となった。

関連論文リスト

From colouring-in to pointillism: revisiting semantic segmentation supervision [48.637031591058175]
本稿では,意味的セグメンテーションアノテーションに対するポジリスト的アプローチを提案する。 Open Imagesデータセットで4,171のクラスに2260万のポイントラベルを収集してリリースしました。
論文参考訳（メタデータ） (2022-10-25T16:42:03Z)
2nd Place Solution to Google Landmark Retrieval 2021 [1.2776569352615768]
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。
論文参考訳（メタデータ） (2021-10-08T17:59:58Z)
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)
Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
論文参考訳（メタデータ） (2021-06-21T03:36:36Z)
Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-01T19:24:27Z)
Google Landmark Recognition 2020 Competition Third Place Solution [5.1215007533994]
われわれは、Google Landmark Recognition 2020コンペティションの3位となるソリューションを提示する。これは、サブセンターのArcFaceモデルのみのグローバル機能のアンサンブルである。クラスサイズの調律可能なマージン関数群であるArcFace損失の動的マージンを導入する。
論文参考訳（メタデータ） (2020-10-11T21:30:43Z)
Heatmap Regression via Randomized Rounding [105.75014893647538]
本稿では,サブピクセルローカライゼーション問題に対処する簡易かつ効果的な量子化システムを提案する。提案システムでは,数値座標の分数部をトレーニング中の確率的アプローチを用いて基底真理熱マップに符号化する。
論文参考訳（メタデータ） (2020-09-01T04:54:22Z)
Learning Condition Invariant Features for Retrieval-Based Localization from 1M Images [85.81073893916414]
我々は、より正確で、より一般化されたローカライゼーション特徴を学習する新しい方法を開発した。難易度の高いオックスフォード・ロボットカーの夜間条件では、5m以内の局所化精度でよく知られた三重項損失を24.4%上回っている。
論文参考訳（メタデータ） (2020-08-27T14:46:22Z)
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)
Inter-Image Communication for Weakly Supervised Localization [77.2171924626778]
弱教師付きローカライゼーションは、画像レベルの監督のみを使用して対象対象領域を見つけることを目的としている。我々は,より正確な物体位置を学習するために,異なる物体間の画素レベルの類似性を活用することを提案する。 ILSVRC検証セット上でトップ1のローカライズ誤差率45.17%を達成する。
論文参考訳（メタデータ） (2020-08-12T04:14:11Z)

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。