Jun, 2019

iMet Collection 2019 挑战数据集

PDF
TL;DR本研究提出了细粒度艺术品属性识别的新数据集，并借助比赛鼓励细粒度视觉识别研究社区的热情以推进数字博物馆文物数字化的最新技术。
发现论文，激发创造
  • Met 数据集：艺术品实例级别识别

    该研究介绍了一个艺术品领域的大规模实例级别识别数据集，包含了许多具有挑战性的问题，同时结合了自监督和监督对比学习来训练骨干网络进行非参数分类，该数据集可用于鼓励探索不同领域上的领域独立方法。

    Feb, 2022

  • iMet Collection 2020 标签空间的清洗和结构化

    本文旨在发掘 iMet 2020 数据集的潜在价值，提出了一种清洁和结构化 iMet 2020 标签的方法，并介绍了实验结果验证其优势。

    Jun, 2021

  • CLIP-Art: 微粒级艺术分类的对比式预训练

    使用 CLIP 方法训练神经网络， 实现了自由形式的艺术品描述和精细标签的学习，在计算机视觉和艺术品属性识别中具有较高实用价值，以 iMet 数据集为基础，使用自监督学习获得了有竞争力的结果。

    Apr, 2022

  • BAM！Behance 艺术媒体数据集：超越摄影的识别

    本文介绍了使用 Behance 数据集为基础，对艺术画作图片进行分类的方法，并尝试对艺术风格的预测，改进现有的物体分类器和进行视觉领域适应的研究，以此推动机器对艺术图片的认知和分类。

    Apr, 2017

  • 跨数据集分析测试平台

    本文开展了针对视觉图像识别中数据集偏见问题的大规模分析，通过将 12 个已有数据库组织成一个语料库，提供了一个有用的特征储存库以供未来研究使用。

    Feb, 2014

  • OmniArt：面向艺术数据分析的多任务深度学习

    本文提出一种高效和准确的多任务学习方法，应用于艺术领域，并证明其在艺术数据上优于手工特征方法和卷积神经网络。此外，我们还提出了一个类似挑战性质的数据集，以激发更多的研究和社会参与。

    Aug, 2017

  • WebVision 挑战赛：基于网络数据的视觉学习与理解

    2017 年 WebVision 挑战赛，旨在提供一组无需人工标记的互联网图像数据集和公开竞赛。数据集中包含超过 240 万张使用 ILSVRC 2012 语义概念生成的查询的互联网图像，用于在 WebVision 测试集上进行图像分类和在 PASCAL VOC 2012 数据集上进行迁移学习的任务。本文描述了数据收集与注释的详细信息、数据集的特点以及评估指标。

    May, 2017

  • FGVC7 研讨会上的半监督 iNaturalist-Aves 挑战赛

    本文介绍了一个新的半监督识别数据集，该数据集包含来自 iNat-2018 数据集中抽样得到的 1000 种鸟类，总共近 15 万张图像。该数据集的存在挑战着现有文献中的半监督识别技术，因为它包含领域外数据、类不平衡和类之间的微妙相似性。

    Mar, 2021

  • 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

  • 使用混合多模态视觉 Transformer-CNN 模型增强细粒度 3D 物体识别能力

    提出了一种混合多模态视觉转换器和卷积神经网络方法以改善精细分类识别，通过生成两个合成数据集来解决 FGVC 3D 数据集不足的问题，并成功将其与机器人框架集成，展示其在模拟和实际机器人场景中作为细粒度感知工具的潜力。

    Oct, 2022