論文の概要: Enhanced Semantic Segmentation Pipeline for WeatherProof Dataset Challenge

• arxiv url: http://arxiv.org/abs/2406.03799v1
• Date: Thu, 6 Jun 2024 07:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 16:09:36.679593
• Title: Enhanced Semantic Segmentation Pipeline for WeatherProof Dataset Challenge
• Title（参考訳）: 天気予報データセットチャレンジのためのセマンティックセマンティックセグメンテーションパイプラインの強化
• Authors: Nan Zhang, Xidan Zhang, Jianing Wei, Fangjun Wang, Zhiming Tan,
• Abstract要約: 本報告では、WeatherProofデータセットチャレンジの勝利ソリューションについて述べる。 本稿では,この課題に対するセマンティックセグメンテーションパイプラインの強化を提案する。 我々は、より広い視角を持つ新しいデータセットであるWeatherProofExtraを導入し、データ拡張手法を採用した。 私たちのソリューションは、最終リーダーボードで1位にランクされています。
• 参考スコア（独自算出の注目度）: 2.722639169181398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This report describes the winning solution to the WeatherProof Dataset Challenge (CVPR 2024 UG2+ Track 3). Details regarding the challenge are available at https://cvpr2024ug2challenge.github.io/track3.html. We propose an enhanced semantic segmentation pipeline for this challenge. Firstly, we improve semantic segmentation models, using backbone pretrained with Depth Anything to improve UperNet model and SETRMLA model, and adding language guidance based on both weather and category information to InternImage model. Secondly, we introduce a new dataset WeatherProofExtra with wider viewing angle and employ data augmentation methods, including adverse weather and super-resolution. Finally, effective training strategies and ensemble method are applied to improve final performance further. Our solution is ranked 1st on the final leaderboard. Code will be available at https://github.com/KaneiGi/WeatherProofChallenge.
• Abstract（参考訳）: 本報告では、CVPR 2024 UG2+ Track 3の勝利のソリューションについて述べる。 この課題の詳細はhttps://cvpr2024ug2challenge.github.io/track3.htmlで確認できる。 本稿では,この課題に対するセマンティックセグメンテーションパイプラインの強化を提案する。 まず、Depth Anythingで事前訓練されたバックボーンを用いてセマンティックセグメンテーションモデルを改善し、UperNetモデルとSETRMLAモデルを改善し、天気情報とカテゴリ情報の両方に基づいた言語ガイダンスをInternImageモデルに追加する。 第2に、より広い視角を持つ新しいデータセットであるWeatherProofExtraを導入し、悪天候や超解像を含むデータ拡張手法を適用した。 最後に, 効果的なトレーニング戦略とアンサンブル法を適用し, 最終的な性能を向上する。 私たちのソリューションは、最終リーダーボードで1位にランクされています。 コードはhttps://github.com/KaneiGi/WeatherProofChallenge.comで入手できる。

関連論文リスト

• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Solution for CVPR 2024 UG2+ Challenge Track on All Weather Semantic Segmentation [9.322345758563886]
  UG2+ Challenge at CVPR 2024において, 悪天候におけるセマンティックセグメンテーションの解決法について述べる。 InternImage-Hのバックボーンを,大規模関節データセットから事前トレーニングした重み付きで初期化し,最先端のUpernetセグメンテーション手法で強化する。 提案手法は,テストセット上での高度な性能を実証し,この課題において第3位を達成している。
  論文  参考訳（メタデータ） (2024-06-09T15:56:35Z)
• A Two-Stage Adverse Weather Semantic Segmentation Method for WeatherProof Challenge CVPR 2024 Workshop UG2+ [10.069192320623031]
  We propose a two-stage Deep Learning framework for the WeatherProof dataset Challenge。 この課題では,mIoU(Mean Intersection over Union)測定値で0.43の競争スコアを達成し,上位4位を確保した。
  論文  参考訳（メタデータ） (2024-06-08T16:22:26Z)
• WeatherProof: A Paired-Dataset Approach to Semantic Segmentation in Adverse Weather [9.619700283574533]
  本稿では,悪天候条件下での画像の性能向上につながる一般的なペア学習手法を提案する。 我々は、正確な晴天と悪天候画像のペアで、最初のセマンティックセグメンテーションデータセットを作成する。 その結果,これら2組の晴天フレームと悪天候フレームのトレーニングにより,悪天候データの性能が向上することが判明した。
  論文  参考訳（メタデータ） (2023-12-15T04:57:54Z)
• Boosting Low-Data Instance Segmentation by Unsupervised Pre-training with Saliency Prompt [103.58323875748427]
  この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。 近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。 実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
  Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。 不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-03-28T05:35:16Z)
• 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)
• Unsupervised Point Cloud Pre-Training via Occlusion Completion [18.42664414305454]
  点雲に対する簡単な事前学習アプローチについて述べる。 カメラビューに隠された全てのポイントをマスクする 2. 隠されたポイントを再構築するためにエンコーダ・デコーダモデルを学ぶ 3. 下流のクラウドタスクの初期化としてエンコーダ重みを使用する。
  論文  参考訳（メタデータ） (2020-10-02T16:43:14Z)
• 1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
  この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。 一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。 自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
  論文  参考訳（メタデータ） (2020-03-17T06:45:07Z)

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。