論文の概要: Task-Specific Data Augmentation and Inference Processing for VIPriors Instance Segmentation Challenge

• arxiv url: http://arxiv.org/abs/2211.11282v1
• Date: Mon, 21 Nov 2022 09:15:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 20:49:32.449568
• Title: Task-Specific Data Augmentation and Inference Processing for VIPriors Instance Segmentation Challenge
• Title（参考訳）: VIPriors Instance Segmentation Challengeのためのタスク特化データ拡張と推論処理
• Authors: Bo Yan, Xingran Zhao, Yadong Li, Hongbin Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.43662534739698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instance segmentation is applied widely in image editing, image analysis and autonomous driving, etc. However, insufficient data is a common problem in practical applications. The Visual Inductive Priors(VIPriors) Instance Segmentation Challenge has focused on this problem. VIPriors for Data-Efficient Computer Vision Challenges ask competitors to train models from scratch in a data-deficient setting, but there are some visual inductive priors that can be used. In order to address the VIPriors instance segmentation problem, we designed a Task-Specific Data Augmentation(TS-DA) strategy and Inference Processing(TS-IP) strategy. The main purpose of task-specific data augmentation strategy is to tackle the data-deficient problem. And in order to make the most of visual inductive priors, we designed a task-specific inference processing strategy. We demonstrate the applicability of proposed method on VIPriors Instance Segmentation Challenge. The segmentation model applied is Hybrid Task Cascade based detector on the Swin-Base based CBNetV2 backbone. Experimental results demonstrate that proposed method can achieve a competitive result on the test set of 2022 VIPriors Instance Segmentation Challenge, with 0.531 AP@0.50:0.95.
• Abstract（参考訳）: インスタンスセグメンテーションは、画像編集、画像解析、自律運転などに広く適用されている。 しかし、実際の応用では不十分なデータが一般的な問題である。 Visual Inductive Priors (VIPriors) Instance Segmentation Challengeはこの問題に焦点を当てている。 データ効率のよいコンピュータビジョンの課題には、データ不足の設定でモデルをスクラッチからトレーニングすることをライバルに求めているが、使用可能なビジュアルインダクティブな優先事項もある。 VIPriorsのインスタンスセグメンテーション問題に対処するために,タスク特化データ拡張(TS-DA)戦略と推論処理(TS-IP)戦略を設計した。 タスク固有のデータ拡張戦略の主な目的は、データ不足の問題に取り組むことである。 また,視覚的インダクティブを最大限に活用するために,タスク固有の推論処理戦略を設計した。 本稿では,VIPriors Instance Segmentation Challengeにおける提案手法の適用性を示す。 セグメント化モデルは、Swin-BaseベースのCBNetV2バックボーン上のハイブリッドタスクカスケードベースの検出器である。 実験結果から,提案手法は, 0.531 AP@0.50:0.95のVIPriors Instance Segmentation Challengeを2022 VIPriorsで実施した。

関連論文リスト

• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• MISS: Memory-efficient Instance Segmentation Framework By Visual Inductive Priors Flow Propagation [8.727456619750983]
  トレーニングデータセットへの視覚的事前の戦略的統合は、テストデータ分布との整合性を高める潜在的なソリューションとして現れます。 MISSの有効性を実証的に評価し、限られたデータ可用性とメモリ制約を特徴とするシナリオにおいて、賞賛可能な性能を示す。
  論文  参考訳（メタデータ） (2024-03-18T08:52:23Z)
• Augment Before Copy-Paste: Data and Memory Efficiency-Oriented Instance Segmentation Framework for Sport-scenes [7.765333471208582]
  Visual Inductive Priors Challenge (VIPriors2023)では、参加者はバスケットボールコートで個人を正確に特定できるモデルを訓練しなければならない。 本稿では,視覚的インダクティブな前流伝搬に基づくメモリ効率インスタンスフレームワークを提案する。 実験では、限られたデータとメモリの制約の下でも、我々のモデルを有望な性能を示す。
  論文  参考訳（メタデータ） (2024-03-18T08:44:40Z)
• Instance Segmentation under Occlusions via Location-aware Copy-Paste Data Augmentation [8.335108002480068]
  MMSports 2023 DeepSportRadarは、バスケットボールのコンテキスト内での人間の対象のセグメンテーションに焦点を当てたデータセットを導入した。 この課題は、堅牢なデータ拡張技術と賢明なディープラーニングアーキテクチャの適用を必要とする。 我々の研究(コンペで1位)は、まず、より広い分布でより多くのトレーニングサンプルを生成することのできる、新しいデータ拡張技術を提案する。
  論文  参考訳（メタデータ） (2023-10-27T07:44:25Z)
• The Second-place Solution for CVPR VISION 23 Challenge Track 1 -- Data Effificient Defect Detection [3.4853769431047907]
  データ有効欠陥検出のためのビジョンチャレンジトラック1は、競合相手がデータ不足の環境で14の産業検査データセットを例示する必要がある。 この課題に対して、Aoi-overfiting-Teamチームの技術詳細を紹介します。
  論文  参考訳（メタデータ） (2023-06-25T03:37:02Z)
• The Second Place Solution for ICCV2021 VIPriors Instance Segmentation Challenge [6.087398773657721]
  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。
  論文  参考訳（メタデータ） (2021-12-02T09:23:02Z)
• DANCE: DAta-Network Co-optimization for Efficient Segmentation Model Training and Inference [85.02494022662505]
  DANCEは、効率的なセグメンテーションモデルのトレーニングと推論のための自動データネットワーク協調最適化である。 入力イメージを適応的にダウンサンプル/ドロップする自動データスライミングを統合し、画像の空間的複雑さによって導かれるトレーニング損失に対するそれに対応するコントリビューションを制御する。 実験と非難研究により、DANCEは効率的なセグメンテーションに向けて「オールウィン」を達成できることを示した。
  論文  参考訳（メタデータ） (2021-07-16T04:58:58Z)
• Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
  本稿では, 大規模無教師付きセマンティックセマンティックセグメンテーション (LUSS) の新たな課題を提案する。 ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
  論文  参考訳（メタデータ） (2021-06-06T15:02:11Z)
• Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
  画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。 これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。 特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
  論文  参考訳（メタデータ） (2021-02-11T18:54:47Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• Naive-Student: Leveraging Semi-Supervised Learning in Video Sequences for Urban Scene Segmentation [57.68890534164427]
  本研究では,未ラベル映像シーケンスと追加画像の半教師付き学習を利用して,都市景観セグメンテーションの性能を向上させることができるかどうかを問う。 我々は単にラベルのないデータに対して擬似ラベルを予測し、人間の注釈付きデータと擬似ラベル付きデータの両方でその後のモデルを訓練する。 我々のNaive-Studentモデルは、このような単純で効果的な反復的半教師付き学習で訓練され、3つのCityscapesベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-05-20T18:00:05Z)

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。