iMet Collection 2019 挑战数据集
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
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
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
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
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
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
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
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
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