論文の概要: VisDA 2022 Challenge: Domain Adaptation for Industrial Waste Sorting

• arxiv url: http://arxiv.org/abs/2303.14828v1
• Date: Sun, 26 Mar 2023 21:38:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 17:23:04.640272
• Title: VisDA 2022 Challenge: Domain Adaptation for Industrial Waste Sorting
• Title（参考訳）: visda 2022チャレンジ:産業廃棄物選別のためのドメイン適応
• Authors: Dina Bashkirova, Samarth Mishra, Diala Lteif, Piotr Teterwak, Donghyun Kim, Fadi Alladkani, James Akl, Berk Calli, Sarah Adel Bargal, Kate Saenko, Daehan Kim, Minseok Seo, YoungJin Jeon, Dong-Geol Choi, Shahaf Ettedgui, Raja Giryes, Shady Abu-Hussein, Binhui Xie, Shuang Li
• Abstract要約: 産業廃棄物の選別において、最も大きな課題の1つは入力ストリームの極端な多様性である。 産業廃棄物浄化における領域適応に関するVisDA 2022の課題について紹介する。
• 参考スコア（独自算出の注目度）: 61.52419223232737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label-efficient and reliable semantic segmentation is essential for many real-life applications, especially for industrial settings with high visual diversity, such as waste sorting. In industrial waste sorting, one of the biggest challenges is the extreme diversity of the input stream depending on factors like the location of the sorting facility, the equipment available in the facility, and the time of year, all of which significantly impact the composition and visual appearance of the waste stream. These changes in the data are called ``visual domains'', and label-efficient adaptation of models to such domains is needed for successful semantic segmentation of industrial waste. To test the abilities of computer vision models on this task, we present the VisDA 2022 Challenge on Domain Adaptation for Industrial Waste Sorting. Our challenge incorporates a fully-annotated waste sorting dataset, ZeroWaste, collected from two real material recovery facilities in different locations and seasons, as well as a novel procedurally generated synthetic waste sorting dataset, SynthWaste. In this competition, we aim to answer two questions: 1) can we leverage domain adaptation techniques to minimize the domain gap? and 2) can synthetic data augmentation improve performance on this task and help adapt to changing data distributions? The results of the competition show that industrial waste detection poses a real domain adaptation problem, that domain generalization techniques such as augmentations, ensembling, etc., improve the overall performance on the unlabeled target domain examples, and that leveraging synthetic data effectively remains an open problem. See https://ai.bu.edu/visda-2022/
• Abstract（参考訳）: ラベル効率が高く、信頼性の高いセマンティクスセグメンテーションは、多くの実生活アプリケーション、特に廃棄物ソートのような高い視覚的多様性を持つ産業環境では不可欠である。 産業廃棄物の選別における最大の課題の1つは, 選別施設の位置, 施設で利用可能な設備, 年次などの要因による入力流の極端な多様性であり, いずれも廃棄物流の組成や視覚的外観に大きな影響を及ぼす。 このようなデータの変化は‘ビジュアルドメイン’と呼ばれ、産業廃棄物のセマンティクスセグメンテーションを成功させるためには、このようなドメインへのラベル効率の高いモデルの適用が必要である。 この課題に対してコンピュータビジョンモデルの能力をテストするために, 産業廃棄物浄化のための領域適応に関するVisDA 2022チャレンジを提示する。 我々の課題は, 2つの実物回収施設から収集した完全注釈型廃棄物選別データセットzerowasteと, 新規に生成した合成廃棄物選別データセットsynthwasteを組み込んだものである。 このコンペでは 2つの疑問に答えることを目指しています 1) ドメインのギャップを最小限に抑えるために、ドメイン適応手法を活用できますか? そして 2) 合成データ拡張はこのタスクの性能を改善し、データ分散の変化に適応できるか? コンペの結果, 産業廃棄物の検出が実領域適応問題を引き起こし, 増補, センシングなどのドメイン一般化技術が未ラベル対象領域の総合的性能を改善し, 合成データの利用が効果的な課題であることがわかった。 https://ai.bu.edu/visda-2022/

関連論文リスト

• WasteGAN: Data Augmentation for Robotic Waste Sorting through Generative Adversarial Networks [7.775894876221921]
  ムダGANと呼ばれる新しいGANアーキテクチャに基づくデータ拡張手法を提案する。 提案手法は,ラベル付きサンプルのごく限られたセットから,セマンティックセグメンテーションモデルの性能を向上させることができる。 次に、ムダGAN合成データに基づいて訓練されたモデルから予測される高品質なセグメンテーションマスクを活用し、セグメンテーション・アウェア・グルーピング・ポーズを計算する。
  論文  参考訳（メタデータ） (2024-09-25T15:04:21Z)
• SpectralWaste Dataset: Multimodal Data for Waste Sorting Automation [46.178512739789426]
  本稿では, 廃棄物処理施設から収集した最初のデータセットであるSpectralWasteについて紹介する。 このデータセットには、分類植物によく見られるいくつかのカテゴリのオブジェクトのラベルが含まれている。 異なるオブジェクトセグメンテーションアーキテクチャを用いたパイプラインを提案し,その代替案をデータセット上で評価する。
  論文  参考訳（メタデータ） (2024-03-26T18:39:38Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
  産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。 このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。 最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:17:09Z)
• MIMII DUE: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection with Domain Shifts due to Changes in Operational and Environmental Conditions [5.441198440485553]
  本稿では,産業機械の故障調査とドメインシフトによる検査のための新しいデータセットを提案する。 ドメインシフトに対する堅牢性をチェックするには、ドメインシフトを持つデータセットが必要です。 データセットはDCASE 2021 Challenge Task 2のデータセットのサブセットであり、https://zenodo.org/record/4740355.comで自由に利用できる。
  論文  参考訳（メタデータ） (2021-05-06T14:18:24Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)

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。