算法选择的 ICON 挑战
文章提出了一个能够表示不同场景的算法选择标准格式和一个包含文献中日益增多的数据集的存储库,使用这个标准还可建立和评估算法选择模型,从而得到显著的性能改进。
Jun, 2015
这篇论文概述了在 ICML 2023《拓扑与几何在机器学习中的应用》研讨会中举办的拓扑深度学习的计算挑战,并描述了挑战的设计和主要发现。
Sep, 2023
本文提出了一种基于 challengeR 开源框架的集成分析和可视化方法,以了解算法的相对和绝对性能,并证明该方法在医学图像分析领域和其他领域中具有重要应用价值。
Oct, 2019
通过对 IEEE ISBI2021 和 MICCAI2021 举行的 80 个比赛的统计分析发现,当今图像分析方法中常用的成功算法有多任务学习和 / 或多阶段管道、强调数据增强、图像预处理、数据管理和后处理;获胜团队常常具有医学图像分析的博士学位、五年的经验和四年的深度学习经验;为获得高排名的团队,他们注重将评价指标反映到方法设计中,并侧重于分析并处理失败案例,但只有 11% 的算法完全解决了领域问题。
Mar, 2023
该论文综述了算法选择问题的研究现状及其在组合搜索问题中的性能提升,归纳了目前算法选择的多种方法并且讨论了使用这些方法的不同方向,最后总结出未来研究的方向。
Oct, 2012
ICML 2013 Workshop 论文研究如何应对代表着机器学习发展中的三大挑战:黑匣子、面部表情、多模态学习等,并描述了相关数据集,总结了比赛结果,并为未来组织者提供指导。
Jul, 2013
本文介绍了我们参加 ECCV 2022 YouTube-VIS 长视频挑战赛的第二名的解决方案。我们采用了之前提出的在线视频实例分割方法 IDOL,并使用伪标签进一步帮助对比学习,以获取更多时间一致的实例嵌入,以提高帧之间的跟踪性能。所提出的方法在 YouTube-VIS 2022 长视频数据集上获得了 40.2 的 AP,并在该挑战赛中排名第二。我们希望我们的简单有效的方法能够有益于进一步的研究。
Nov, 2022
本文介绍 RECOD Titans 参加 ISIC Challenge 2017 'Skin Lesion Analysis Towards Melanoma Detection' (ISBI 2017) 第一部和第三部分的结果,其中应用到了皮肤病变分割和深度学习技术。
Mar, 2017
技术报告总结了我们在 ICME-2022 少样本学习 logo 检测比赛中使用的技术和潜在改进,要求参与者使用单个模型处理小型 Logo 实例、相似品牌和对抗性图像,限定少量注释。我们的团队在比赛的第一轮和第二轮中分别排名第 16 和第 11,最终排名第 9。
Jun, 2022
本文介绍了第二名在 Google 通用图像嵌入竞赛中的解决方案,主要探讨了数据建立,模型结构和训练策略对细粒度图像分类的影响,并在公共排行榜得分为 0.713,在私人排行榜得分为 0.709。
Oct, 2022