Fugu-MT 論文翻訳(概要): 3rd Place Solution for Google Universal Image Embedding

論文の概要: 3rd Place Solution for Google Universal Image Embedding

arxiv url: http://arxiv.org/abs/2210.09296v1
Date: Fri, 14 Oct 2022 12:26:13 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 19:54:18.616791
Title: 3rd Place Solution for Google Universal Image Embedding
Title（参考訳）: google universalイメージ埋め込みのための3位ソリューション
Authors: Nobuaki Aoki, Yasumasa Namba
Abstract要約: 本稿では,Google Universal Image Embedding Competition on Kaggleの3位となるソリューションを提案する。我々はOpenCLIPのViT-H/14をArcFaceのバックボーンに使用し、2段階のトレーニングを行った。プライベートなリーダーボード上でのPrecision @5の平均値は0.692です。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the 3rd place solution to the Google Universal Image Embedding Competition on Kaggle. We use ViT-H/14 from OpenCLIP for the backbone of ArcFace, and trained in 2 stage. 1st stage is done with freezed backbone, and 2nd stage is whole model training. We achieve 0.692 mean Precision @5 on private leaderboard. Code available at https://github.com/YasumasaNamba/google-universal-image-embedding
Abstract（参考訳）: 本稿では,Google Universal Image Embedding Competition on Kaggleの3位となるソリューションを提案する。我々はOpenCLIPのViT-H/14をArcFaceのバックボーンに使用し、2段階のトレーニングを行った。第1ステージは凍結バックボーンで行われ、第2ステージはモデルトレーニング全体である。プライベートなリーダーボードで0.692平均精度@5を達成します。コードはhttps://github.com/yasumasanamba/google-universal-image-embeddingで利用可能

関連論文リスト

Sigmoid Loss for Language Image Pre-Training [93.91385557929604]
本稿では,Language-Image Pre-Training (SigLIP) のための単純なペアワイズ・シグモイド・ロスを提案する。シグモイド損失は画像とテキストのペアのみに作用し、正規化のためにペアの類似点のグローバルなビューを必要としない。 Locked-image Tuningと4つのTPUv4チップの組み合わせで、84.5%のImageNetゼロショット精度を2日間で達成するSigLiTモデルを訓練する。
論文参考訳（メタデータ） (2023-03-27T15:53:01Z)
Open-VCLIP: Transforming CLIP to an Open-vocabulary Video Model via Interpolated Weight Optimization [82.75718846187685]
我々は、CLIPを強力なゼロショットビデオ分類器に変換する、シンプルで効果的なアプローチであるOpen-VCLIPを紹介する。我々は,Open-VCLIPのトレーニングが,履歴データゼロの連続学習と等価であることを示す。特に、UCF、HMDB、Kinetics-600データセットで87.9%、58.3%、81.1%のゼロショット精度を達成した。
論文参考訳（メタデータ） (2023-02-01T17:44:17Z)
5th Place Solution to Kaggle Google Universal Image Embedding Competition [0.0]
本稿では,2022年のGoogle Universal Image Embedding Competitionで5位にランクインしたソリューションを提案する。我々はopenclipリポジトリからのCLIPのViT-Hビジュアルエンコーダをバックボーンとして使用し、ArcFaceを使用してBatchNormalizationとLinear Layerで構成されたヘッドモデルをトレーニングする。
論文参考訳（メタデータ） (2022-10-18T00:34:09Z)
6th Place Solution to Google Universal Image Embedding [0.0]
本稿では,Kaggle上でのGoogle Universal Image Embeddingコンペティションの6位となるソリューションを提案する。私たちのアプローチは、自然言語の監視から視覚表現を学ぶために使用される強力な事前学習モデルであるCLIPアーキテクチャに基づいている。
論文参考訳（メタデータ） (2022-10-17T19:19:46Z)
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)
1st Place Solution in Google Universal Images Embedding [0.0]
本稿では,Google Universal Images Embedding Competition on Kaggleにおいて,第1位となるソリューションを提案する。ソリューションの強調された部分は、1)トレーニングと微調整を行う新しい方法、2)埋め込みを行うモデルのプールにより良いアンサンブルのアイデア、3)高解像度と重なり合うパッチに対する微調整の潜在的なトレードオフに基づいています。
論文参考訳（メタデータ） (2022-10-16T07:46:23Z)
Generative Multiplane Images: Making a 2D GAN 3D-Aware [108.47553058554612]
従来の2D GANであるStyleGANv2を可能な限り修正して,それを3D対応にしています。 1) 深度に条件付けされたアルファマップの集合を生成する多面体画像スタイルのジェネレータブランチ,2) ポーズ条件付き判別器。生成した出力を「生成多面体画像」(GMPI)と呼び、そのレンダリングは高品質であるだけでなく、ビュー一貫性も保証されていることを強調する。
論文参考訳（メタデータ） (2022-07-21T17:50:16Z)
Cascaded Cross MLP-Mixer GANs for Cross-View Image Translation [70.00392682183515]
従来のクロスビュー画像変換法では、ターゲットビューで画像を生成することは困難である。本稿では,カスケードクロスミキサー(CrossMLP)サブネットワークを用いた新しい2段階フレームワークを提案する。最初の段階では、CrossMLPサブネットワークは、画像コードとセマンティックマップコードの間の潜時変換のキューを学習する。第2段階では、ノイズの多いセマンティックラベル問題を緩和する改良されたピクセルレベルの損失を設計する。
論文参考訳（メタデータ） (2021-10-19T18:03:30Z)
Supervision Exists Everywhere: A Data Efficient Contrastive Language-Image Pre-training Paradigm [109.0573737034428]
大規模コントラスト言語-画像事前訓練(CLIP)は、その印象的なゼロショット認識能力と下流タスクへの優れた転送性により、前例のない注目を集めている。本研究は,この制限を緩和する新たなトレーニングパラダイムであるData efficient CLIP (DeCLIP)を提案する。画像とテキストのペア間の広範な監視を慎重に活用することにより、De-CLIPは汎用的な視覚的特徴をより効率的に学習できることを実証する。
論文参考訳（メタデータ） (2021-10-11T12:17:32Z)
2nd Place Solution to Google Landmark Recognition Competition 2021 [0.0]
そこで我々は,Kaggleで開かれたGoogle Landmark Recognition 2021 Challengeに,その解決策を提示する。 Swin, CSWin, EfficientNet B7 モデルの完全なパイプラインは、プライベートなリーダーボードで 0.4907 を獲得し、コンペで2位になるのに役立ちます。
論文参考訳（メタデータ） (2021-10-06T10:28:38Z)
CURL: Contrastive Unsupervised Representations for Reinforcement Learning [93.57637441080603]
CURLは、コントラスト学習を用いて、生の画素から高レベルの特徴を抽出する。 DeepMind Control Suiteでは、CURLが、状態ベースの機能を使用するメソッドのサンプル効率とほぼ一致した、最初のイメージベースのアルゴリズムである。
論文参考訳（メタデータ） (2020-04-08T17:40:43Z)

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。