論文の概要: ODOR: The ICPR2022 ODeuropa Challenge on Olfactory Object Recognition

• arxiv url: http://arxiv.org/abs/2301.09878v1
• Date: Tue, 24 Jan 2023 09:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-25 14:00:14.343053
• Title: ODOR: The ICPR2022 ODeuropa Challenge on Olfactory Object Recognition
• Title（参考訳）: 匂い: 嗅覚物体認識に関するicpr2022 odeuropaチャレンジ
• Authors: Mathias Zinnen, Prathmesh Madhu, Ronak Kosti, Peter Bell, Andreas Maier, Vincent Christlein
• Abstract要約: Odeuropa Challenge on Olfactory Object Recognitionは、視覚芸術における物体検出の開発を促進することを目的としている。 注記された2647点のアートワークのデータセットに,20120点の厳密なバウンディングボックスを設けた。 1140のアートワークと15の480のアノテーションを含むテストセットは、課題評価のためにプライベートに保持される。
• 参考スコア（独自算出の注目度）: 20.33359041243155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Odeuropa Challenge on Olfactory Object Recognition aims to foster the development of object detection in the visual arts and to promote an olfactory perspective on digital heritage. Object detection in historical artworks is particularly challenging due to varying styles and artistic periods. Moreover, the task is complicated due to the particularity and historical variance of predefined target objects, which exhibit a large intra-class variance, and the long tail distribution of the dataset labels, with some objects having only very few training examples. These challenges should encourage participants to create innovative approaches using domain adaptation or few-shot learning. We provide a dataset of 2647 artworks annotated with 20 120 tightly fit bounding boxes that are split into a training and validation set (public). A test set containing 1140 artworks and 15 480 annotations is kept private for the challenge evaluation.
• Abstract（参考訳）: Odeuropa Challenge on Olfactory Object Recognitionは、視覚芸術における物体検出の発展を促進し、デジタル遺産に対する嗅覚的視点を促進することを目的としている。 歴史的美術品における物体検出は、様々な様式や芸術時代のために特に困難である。 さらに,事前定義された対象オブジェクトの特異性や履歴のばらつきによって,クラス内分散が大きく,データセットラベルの長い尾の分布が複雑であり,トレーニング例が少ないものもある。 これらの課題は、参加者がドメイン適応や少人数の学習を使って革新的なアプローチを作るよう促すだろう。 トレーニングと検証セット(パブリック)に分割した,20120個の厳密な拘束ボックスを備えた2647のアートワークのデータセットを提供する。 1140のアートワークと15の480のアノテーションを含むテストセットは、課題評価のためにプライベートに保持される。

関連論文リスト

• Million-scale Object Detection with Large Vision Model [67.16171069696613]
  本稿では,ラベル処理,階層性を考慮した損失設計,および事前学習された大規模モデルを用いた資源効率の高いモデルトレーニングについて紹介する。 本手法は,ロバスト・ビジョン・チャレンジ2022の物体検出トラックで2位にランクされている。
  論文  参考訳（メタデータ） (2022-12-19T12:40:13Z)
• 3rd Continual Learning Workshop Challenge on Egocentric Category and Instance Level Object Understanding [20.649762891903602]
  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。
  論文  参考訳（メタデータ） (2022-12-13T11:51:03Z)
• DEArt: Dataset of European Art [0.17188280334580194]
  我々は,第2世紀から第8世紀にかけての絵画の参照を目的としたオブジェクト検出とポーズ分類データセットであるDEArtを提案する。 15,000以上の画像が含まれており、約80%の非イコニックで、69クラスのすべてのインスタンスを識別するバウンディングボックスのマニュアルアノテーションと、人間に似たオブジェクトを識別するボックスのポーズが12種類含まれている。 以上の結果から, 文化遺産領域のオブジェクト検出器は, 伝達学習による汎用画像の最先端モデルに匹敵する精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-11-02T16:05:35Z)
• ObjectFolder: A Dataset of Objects with Implicit Visual, Auditory, and Tactile Representations [52.226947570070784]
  両課題に対処する100のオブジェクトからなるデータセットであるObjectを,2つの重要なイノベーションで紹介する。 まず、オブジェクトは視覚的、聴覚的、触覚的なすべてのオブジェクトの知覚データをエンコードし、多数の多感覚オブジェクト認識タスクを可能にする。 第2に、Objectは統一されたオブジェクト中心のシミュレーションと、各オブジェクトの視覚的テクスチャ、触覚的読み出し、触覚的読み出しに暗黙的な表現を採用しており、データセットの使用が柔軟で共有が容易である。
  論文  参考訳（メタデータ） (2021-09-16T14:00:59Z)
• Concealed Object Detection [140.98738087261887]
  隠蔽物体検出(COD)に関する最初の体系的研究を紹介します。 CODは、背景に「完全に」埋め込まれているオブジェクトを特定することを目指しています。 このタスクをより理解するために、cod10kと呼ばれる大規模なデータセットを収集します。
  論文  参考訳（メタデータ） (2021-02-20T06:49:53Z)
• 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)
• Co-training for On-board Deep Object Detection [0.0]
  人間のラベル付きバウンディングボックスを頼りにすることにより、最高のディープビジョンベースのオブジェクト検出器を教師付きで訓練する。 共同学習は、未ラベル画像における自己ラベルオブジェクトの半教師付き学習手法である。 我々は、協調学習がオブジェクトのラベル付けを緩和し、タスクに依存しないドメイン適応と単独で作業するためのパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-08-12T19:08:59Z)
• Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
  本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。 画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。 画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:05:01Z)
• Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
  本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。 提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
  論文  参考訳（メタデータ） (2020-02-11T20:49:34Z)

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。