論文の概要: CIFAR-10-Warehouse: Broad and More Realistic Testbeds in Model Generalization Analysis

• arxiv url: http://arxiv.org/abs/2310.04414v3
• Date: Wed, 13 Mar 2024 12:49:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 18:27:53.679948
• Title: CIFAR-10-Warehouse: Broad and More Realistic Testbeds in Model Generalization Analysis
• Title（参考訳）: CIFAR-10-Warehouse:モデルでより広範かつ現実的なテストベッド 一般化分析
• Authors: Xiaoxiao Sun, Xingjian Leng, Zijian Wang, Yang Yang, Zi Huang, Liang Zheng
• Abstract要約: CIFAR-10-Warehouseは画像検索エンジンと拡散モデルによって収集された180個のデータセットから構成される。 本研究の目的は,様々なアウト・オブ・ディストリビューション環境における領域一般化とモデル精度予測という,2つの一般化タスクの理解を深めることである。
• 参考スコア（独自算出の注目度）: 37.34011895436337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing model performance in various unseen environments is a critical research problem in the machine learning community. To study this problem, it is important to construct a testbed with out-of-distribution test sets that have broad coverage of environmental discrepancies. However, existing testbeds typically either have a small number of domains or are synthesized by image corruptions, hindering algorithm design that demonstrates real-world effectiveness. In this paper, we introduce CIFAR-10-Warehouse, consisting of 180 datasets collected by prompting image search engines and diffusion models in various ways. Generally sized between 300 and 8,000 images, the datasets contain natural images, cartoons, certain colors, or objects that do not naturally appear. With CIFAR-10-W, we aim to enhance the evaluation and deepen the understanding of two generalization tasks: domain generalization and model accuracy prediction in various out-of-distribution environments. We conduct extensive benchmarking and comparison experiments and show that CIFAR-10-W offers new and interesting insights inherent to these tasks. We also discuss other fields that would benefit from CIFAR-10-W.
• Abstract（参考訳）: さまざまな未知環境におけるモデル性能の分析は、機械学習コミュニティにおける重要な研究課題である。 この問題を解決するためには, 環境格差を広範囲に網羅したアウト・オブ・ディストリビューション・テスト・セットを用いたテストベッドの構築が重要である。 しかし、既存のテストベッドは、通常、少数のドメインを持つか、イメージの破損によって合成されるかのいずれかであり、現実世界の有効性を示すアルゴリズム設計を妨げる。 本稿では,画像検索エンジンと拡散モデルにより収集した180個のデータセットからなるCIFAR-10-Warehouseを紹介する。 一般的には300から8000の画像の大きさで、データセットには自然のイメージ、漫画、特定の色、あるいは自然に現れない物体が含まれている。 CIFAR-10-Wにより、様々なアウト・オブ・ディストリビューション環境において、ドメインの一般化とモデルの精度予測という2つの一般化タスクの評価を強化し、理解を深めることを目指している。 我々は大規模なベンチマークと比較実験を行い、CIFAR-10-Wがこれらのタスクに固有の新しい興味深い洞察を提供することを示した。 また、CIFAR-10-Wの恩恵を受ける他の分野についても論じる。

関連論文リスト

• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• Cascade-DETR: Delving into High-Quality Universal Object Detection [99.62131881419143]
  高品質な普遍物体検出のためのカスケードDETRを提案する。 本稿では,オブジェクト中心情報を検出デコーダに明示的に統合するカスケードアテンション層を提案する。 最後に、多様なドメインから10のデータセットを含む汎用オブジェクト検出ベンチマークUDB10を紹介する。
  論文  参考訳（メタデータ） (2023-07-20T17:11:20Z)
• Evaluation of Environmental Conditions on Object Detection using Oriented Bounding Boxes for AR Applications [7.022872089444935]
  拡張現実(AR)におけるシーン分析と物体認識の役割 性能と処理時間を改善するために,検出・認識深層ネットワークを備えた配向境界ボックスを用いた新しい手法が提案されている。 その結果, 提案手法は, 試験条件のほとんどにおいて, 平均精度が向上し, 小型物体の精度が向上する傾向が示唆された。
  論文  参考訳（メタデータ） (2023-06-29T09:17:58Z)
• Advancing Plain Vision Transformer Towards Remote Sensing Foundation Model [97.9548609175831]
  約1億のパラメータを持つプレーンビジョントランスフォーマーを利用して、リモートセンシングタスク用にカスタマイズされた大規模なビジョンモデルを提案する。 具体的には、RS画像における大きな画像サイズと様々な向きのオブジェクトを扱うために、回転する様々なウィンドウアテンションを提案する。 検出タスクの実験は、DOTA-V1.0データセット上で81.16%のmAPを達成したすべての最先端モデルよりも、我々のモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-08T09:08:40Z)
• GPR1200: A Benchmark for General-Purpose Content-Based Image Retrieval [2.421459418045937]
  本研究では,大規模な事前学習が検索性能を大幅に向上させることを示すとともに,適切な微調整を行うことで,これらの特性をさらに向上させる実験を行う。 これらの有望な成果により、汎用CBIRの研究分野への関心を高めたい。
  論文  参考訳（メタデータ） (2021-11-25T15:19:21Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• BEIR: A Heterogenous Benchmark for Zero-shot Evaluation of Information Retrieval Models [41.45240621979654]
  情報検索のための異種ベンチマークであるBEIRを紹介する。 ゼロショット評価設定における9つの最先端の検索モデルの有効性を検討する。 Dense-Retrievalモデルは計算効率が良いが、他のアプローチでは性能が劣ることが多い。
  論文  参考訳（メタデータ） (2021-04-17T23:29:55Z)

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。