論文の概要: Ensemble of Anchor-Free Models for Robust Bangla Document Layout Segmentation

• arxiv url: http://arxiv.org/abs/2308.14397v2
• Date: Tue, 29 Aug 2023 11:46:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 10:54:39.215091
• Title: Ensemble of Anchor-Free Models for Robust Bangla Document Layout Segmentation
• Title（参考訳）: ロバストバングラ文書レイアウト分割のためのアンカーフリーモデルの組合わせ
• Authors: U Mong Sain Chak, Md. Asib Rahman
• Abstract要約: 本稿では,Bangla文書のレイアウトをセグメント化するための新しい手法を提案する。 我々の手法は、DL Sprint 2.0 - BUET CSE Fest 2023 コンペティションのために訓練されたYOLOv8モデルの洗練されたアンサンブルを利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this research paper, we introduce a novel approach designed for the purpose of segmenting the layout of Bangla documents. Our methodology involves the utilization of a sophisticated ensemble of YOLOv8 models, which were trained for the DL Sprint 2.0 - BUET CSE Fest 2023 Competition focused on Bangla document layout segmentation. Our primary emphasis lies in enhancing various aspects of the task, including techniques such as image augmentation, model architecture, and the incorporation of model ensembles. We deliberately reduce the quality of a subset of document images to enhance the resilience of model training, thereby resulting in an improvement in our cross-validation score. By employing Bayesian optimization, we determine the optimal confidence and Intersection over Union (IoU) thresholds for our model ensemble. Through our approach, we successfully demonstrate the effectiveness of anchor-free models in achieving robust layout segmentation in Bangla documents.
• Abstract（参考訳）: 本稿では,Bangla文書のレイアウト分割を目的とした新しい手法を提案する。 提案手法は, DL Sprint 2.0 - BUET CSE Fest 2023 コンペティションにおいて, Bangla 文書レイアウトセグメンテーションに着目した YOLOv8 モデルの洗練されたアンサンブルを利用する。 私たちの重点は、画像拡張、モデルアーキテクチャ、モデルアンサンブルの組み込みなど、タスクのさまざまな側面を強化することです。 文書画像のサブセットの品質を意図的に低下させ,モデルトレーニングのレジリエンスを高めることにより,クロスバリデーションスコアが向上した。 ベイズ最適化を用いることで、モデルアンサンブルにおける結合(iou)しきい値の最適信頼度と交叉度を決定する。 本手法により,バングラ文書におけるロバストレイアウトセグメンテーションの実現におけるアンカーフリーモデルの有効性を実証した。

関連論文リスト

• High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
  基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。 具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-10T08:04:11Z)
• Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
  潜在拡散モデル(LDM)は、文脈内セグメンテーションに有効な最小限のモデルである。 画像とビデオの両方のデータセットを含む、新しい、公正なコンテキスト内セグメンテーションベンチマークを構築します。
  論文  参考訳（メタデータ） (2024-03-14T17:52:31Z)
• A Lightweight Feature Fusion Architecture For Resource-Constrained Crowd Counting [3.5066463427087777]
  クラウドカウントモデルの汎用性を高めるために,2つの軽量モデルを導入する。 これらのモデルは、MobileNetとMobileViTという2つの異なるバックボーンを持ちながら、同じダウンストリームアーキテクチャを維持している。 隣接特徴融合を利用して、事前学習モデル(PTM)から多様な特徴を抽出し、その後、シームレスにこれらの特徴を組み合わせる。
  論文  参考訳（メタデータ） (2024-01-11T15:13:31Z)
• Bengali Document Layout Analysis -- A YOLOV8 Based Ensembling Approach [0.6562256987706128]
  我々は、モデルロバストネスにデータ拡張を採用することで、複雑なBengaliスクリプトに特有の課題に取り組む。 完全なデータセットに対する我々のアプローチを微調整し、正確な要素セグメンテーションのための2段階の予測戦略を導いた。 私たちの実験は、新しい戦略を確立されたソリューションに組み込む上で重要な洞察を与えました。
  論文  参考訳（メタデータ） (2023-09-02T07:17:43Z)
• Enhancing Visually-Rich Document Understanding via Layout Structure Modeling [91.07963806829237]
  レイアウトの知識をモデルに注入する新しい文書理解モデルであるGraphLMを提案する。 我々は、FUNSD、XFUND、CORDなど様々なベンチマークでモデルを評価し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-08-15T13:53:52Z)
• Improving Transferability of Adversarial Examples via Bayesian Attacks [84.90830931076901]
  モデル入力にベイズ定式化を組み込むことにより,モデル入力とモデルパラメータの共分散を可能にする新しい拡張を導入する。 提案手法は,トランスファーベース攻撃に対する新たな最先端技術を実現し,ImageNetとCIFAR-10の平均成功率をそれぞれ19.14%,2.08%向上させる。
  論文  参考訳（メタデータ） (2023-07-21T03:43:07Z)
• WeLayout: WeChat Layout Analysis System for the ICDAR 2023 Competition on Robust Layout Segmentation in Corporate Documents [42.1096906112963]
  企業文書のレイアウトを分割する新しいシステムWeimatを紹介する。 本手法はベースラインをはるかに上回り,mAPは70.0。
  論文  参考訳（メタデータ） (2023-05-11T04:05:30Z)
• Multimodal Side-Tuning for Document Classification [3.0229888038442914]
  サイドチューニング(Side-tuning)は、最近導入されたネットワーク適応の方法論である。 また,異なるデータソースを考慮した場合も,サイドチューニングをうまく活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-01-16T11:08:03Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。