論文の概要: 3rd Continual Learning Workshop Challenge on Egocentric Category and Instance Level Object Understanding

• arxiv url: http://arxiv.org/abs/2212.06833v1
• Date: Tue, 13 Dec 2022 11:51:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 14:08:59.661413
• Title: 3rd Continual Learning Workshop Challenge on Egocentric Category and Instance Level Object Understanding
• Title（参考訳）: 第3回Egocentric Category and Instance Level Object Understanding ワークショップに参加して
• Authors: Lorenzo Pellegrini, Chenchen Zhu, Fanyi Xiao, Zhicheng Yan, Antonio Carta, Matthias De Lange, Vincenzo Lomonaco, Roshan Sumbaly, Pau Rodriguez, David Vazquez
• Abstract要約: 本稿では,CVPR 2022の第3回コンピュータビジョン学習ワークショップ(CLVision)における課題のアイデア,設計選択,ルール,結果について要約する。 このコンペティションの焦点は、複雑な連続物体検出タスクであり、分類タスクと比較して、文学においてまだ過小評価されている。
• 参考スコア（独自算出の注目度）: 20.649762891903602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual Learning, also known as Lifelong or Incremental Learning, has recently gained renewed interest among the Artificial Intelligence research community. Recent research efforts have quickly led to the design of novel algorithms able to reduce the impact of the catastrophic forgetting phenomenon in deep neural networks. Due to this surge of interest in the field, many competitions have been held in recent years, as they are an excellent opportunity to stimulate research in promising directions. This paper summarizes the ideas, design choices, rules, and results of the challenge held at the 3rd Continual Learning in Computer Vision (CLVision) Workshop at CVPR 2022. The focus of this competition is the complex continual object detection task, which is still underexplored in literature compared to classification tasks. The challenge is based on the challenge version of the novel EgoObjects dataset, a large-scale egocentric object dataset explicitly designed to benchmark continual learning algorithms for egocentric category-/instance-level object understanding, which covers more than 1k unique main objects and 250+ categories in around 100k video frames.
• Abstract（参考訳）: LifelongあるいはIncremental Learningとしても知られるContinuous Learningは、先日、人工知能研究コミュニティで新たな関心を集めている。 近年の研究により、深層ニューラルネットワークにおける壊滅的な忘れる現象の影響を低減できる新しいアルゴリズムの設計が急速に進められている。 この分野への関心の高まりにより、近年は有望な方向に研究を刺激する絶好の機会として多くのコンペが開催されている。 本稿では,cvpr 2022の第3回continual learning in computer vision(clvision)ワークショップで実施した課題のアイデア,設計選択,ルール,結果について概説する。 このコンペティションの焦点は、複雑な連続物体検出タスクであり、分類タスクと比較して文学的にはまだ未熟である。 課題は、エゴセントリックなカテゴリ/インスタンスレベルのオブジェクト理解のための連続的な学習アルゴリズムをベンチマークするために明示的に設計された大規模なエゴセントリックなオブジェクトデータセットである、新しいEgoObjectsデータセットのチャレンジバージョンに基づいている。

関連論文リスト

• V3Det Challenge 2024 on Vast Vocabulary and Open Vocabulary Object Detection: Methods and Results [142.5704093410454]
  V3Det Challenge 2024は、オブジェクト検出研究の境界を推し進めることを目的としている。 Vast Vocabulary Object DetectionとOpen Vocabulary Object Detectionの2つのトラックで構成されている。 我々は,広い語彙とオープン語彙のオブジェクト検出において,今後の研究の方向性を刺激することを目指している。
  論文  参考訳（メタデータ） (2024-06-17T16:58:51Z)
• A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
  この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。 50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。 発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-21T08:54:56Z)
• VQA and Visual Reasoning: An Overview of Recent Datasets, Methods and Challenges [1.565870461096057]
  この結果、視覚と言語の統合が多くの注目を集めた。 タスクは、深層学習の概念を適切に実証するための方法で作られています。
  論文  参考訳（メタデータ） (2022-12-26T20:56:01Z)
• Universal Object Detection with Large Vision Model [79.06618136217142]
  本研究は,大規模多領域普遍物体検出問題に焦点をあてる。 これらの課題に対処するために,ラベル処理,階層型設計,資源効率のよいモデルトレーニングを提案する。 本手法は,ロバスト・ビジョン・チャレンジ2022のオブジェクト検出トラックにおいて,優れた2位の地位を確保した。
  論文  参考訳（メタデータ） (2022-12-19T12:40:13Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• CLAD: A realistic Continual Learning benchmark for Autonomous Driving [33.95470797472666]
  本稿では、自動運転のための新しい連続学習ベンチマークを動機づける設計とアイデアについて述べる。 ベンチマークでは、先日リリースされた大規模なデータセットであるSODA10Mが使用されている。 CLAD-Cは、クラスとドメインの漸進的な課題を生じさせる時系列データストリームを通じて実現されたオンライン分類ベンチマークである。 ICCV 2021のCLAD-Challengeワークショップにおいて,トップ3の参加者が使用するテクニックと手法を調査し,ベンチマークがもたらす課題と課題について検討した。
  論文  参考訳（メタデータ） (2022-10-07T12:08:25Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
  Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。 我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。 この技術的レポートは、課題のハイライトを要約している。
  論文  参考訳（メタデータ） (2020-10-17T13:06:12Z)
• CVPR 2020 Continual Learning in Computer Vision Competition: Approaches, Results, Current Challenges and Future Directions [25.791936837340877]
  2020年にCVPRで行われた最初の連続学習コンピュータビジョンチャレンジは、異なる連続学習アルゴリズムを評価する最初の機会の1つである。 優勝チームは79チーム以上、ファイナリストは11チーム、賞金は2300ドルだった。
  論文  参考訳（メタデータ） (2020-09-14T08:53:05Z)

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。