Nov, 2018

Open Images 数据集 V4: 大规模统一图像分类、物体检测和视觉关系检测

PDF
TL;DROpen Images V4 是一份有关图像分类、物体检测和视觉关系检测的数据集，包括了 9.2M 幅图片，其中包含了 30.1M 个图像级标签，15.4M 个边界框，以及 375k 个涉及 57 类的视觉关系注释。
发现论文，激发创造
  • 野外大规模不平衡多标签物体检测

    本文提出了一种处理 Open Images 数据集中目标多标签和标签分布不平衡问题的方法，使用 concurrent softmax 处理多标签问题并提出一种混合训练计划的软采样方法来解决标签分布不平衡问题，实验结果在公共测试集上达到了最佳水平。

    May, 2020

  • BigDetection：用于改善目标检测预训练的大规模基准测试

    本文介绍了一个新型的大规模基准数据集 BigDetection，它通过整合多个现有数据集并提供更大样本数量、更统一的标注体系，可以用于改进物体检测算法的预训练效果，并已被证明是一个有效的检测方法评估标准。

    Mar, 2022

  • V3Det：大规模词汇视觉检测数据集

    提出了一个新的物体检测数据集 V3Det，包含着丰富的边界框和类别层次结构，可以用于 vast 和 open vocabulary 的物体检测任务。

    Apr, 2023

  • 开放品牌数据集：规模统一的品牌检测和识别

    本研究旨在通过建立 “开放品牌” 数据集等手段，解决近年来全球电子商务平台上知识产权保护的问题，提高品牌检测与识别的可靠性与准确性，其中使用了深度学习技术，该技术在开放品牌数据集上表现出色。

    Dec, 2020

  • 2024 年 V3Det 挑战赛：广泛词汇和开放词汇目标检测的方法和结果

    通过分析参与者提交的方法和解决方案，我们旨在激励巨大词汇和开放词汇目标检测领域的未来研究方向，推动该领域的进展。

    Jun, 2024

  • 增强的物体检测：2024 年 V3Det 挑战赛上关于广泛词汇物体检测轨道的研究

    我们在 V3Det 数据集上对监督式大规模词汇视觉检测任务进行了研究，通过调整网络结构、改变损失函数和设计训练策略等一系列改进，我们的模型在 V3Det Challenge 2024 的大规模目标检测 (Supervised) 任务和 Open Vocabulary Object Detection (OVD) 任务中取得了出色的排名。

    Jun, 2024

  • ImageNet 大规模视觉识别挑战赛

    本研究介绍了 ImageNet Large Scale Visual Recognition Challenge 数据集的创建及在对象识别方面的进展，强调了收集大规模地面真实注释的挑战，分析了大规模图像分类和目标检测领域的现状，并将最先进的计算机视觉准确性与人类准确性进行了比较。最后总结了挑战五年来的经验教训，并提出了未来方向和改进措施。

    Sep, 2014

  • Microsoft COCO：上下文中的通用物体

    本研究旨在推进目标识别的最新进展，提出了一种数据集的形式，通过将目标识别的问题置于场景理解的更广泛背景下，聚集了包含常见物品的复杂日常场景的图像，并利用每个实例分割对物品进行标记以协助精确定位，该数据集包含 91 种 4 岁儿童容易识别的对象类型，有 328k 张图像和 250 万个标记实例。本文最终提供了一种基于可变形零件模型的边界框和分割检测结果的基线性能分析。

    May, 2014

  • 开放世界中的物体检测：通向全能物体检测

    本文提出 UniDetector，一种通用的目标检测器，克服了传统检测器中人工注释、视觉信息和新类别的限制，并在 LVIS、ImageNetBoxes 和 VisualGenome 等大型数据集上表现出强大的零样本泛化能力，探讨了其对于开放世界、大词汇量数据集、高零样本泛化能力等方面的实验结果。

    Mar, 2023

  • 迈向更加包容的人注释以实现公平性

    此论文介绍了 Open Images 数据集下的 MIAP 子集，包含了所有可见人物的边界框和属性标签，并讨论了 MIAP 子集的属性和标注方法对模型公平性研究的贡献和原始注释方法及其子类的分析结果，为未来注释工作提供参考，帮助研究人员了解训练注释中的系统模式如何影响建模

    May, 2021