物体识别对于每个人都有效吗?
本研究通过标注 Dollar Street 图像中的因素,例如颜色、形状和背景,揭示了不同地区、不同收入水平中目标对象之间的差异,证明性能差异是与贴图、遮挡和低照度图像的差异相关联,为提高深度学习系统的性能差异提供了解决思路。
Apr, 2023
对深层模型在 ObjectNet 数据集上的表现及其在各种数据变化下的鲁棒性进行了研究,并发现将深层模型应用于对象而不是整个场景会显著改善性能,并且将对象区域限制在较小的范围内可提高准确性和鲁棒性。
Mar, 2021
该论文探讨了神经网络架构在解决视觉任务时存在的局限性,与人类学习抽象概念的策略不同。研究利用一组新的图像转换方法,对人类和网络在对象识别任务上进行了评估,发现常见网络的性能迅速下降,而人类能够以高精度识别对象。
May, 2022
通过对全球家庭物品的两个数据集进行广泛的实证评估,我们首先确定了标准基准和现实世界地理转变之间的进展差距,接着通过测量不同地区性能的差异,研究了模型在地理上的泛化能力,并发现了地理差异的增加是传统基准进展的副作用。最后,我们强调了在更具代表性的数据上重新训练简单的最后一层如何作为未来工作的有希望的方向,使得两个基准测试的地理差异减少了三分之二以上。
Jul, 2023
研究跨地理域适应的深度学习计算机视觉模型对数据分布转移、场景转移、类内分布转移等问题,发现标准适应方法不足以解决当前的挑战,需要专业的地理适应解决方案。
Apr, 2022
通过将物体识别器应用于包含多个物体的场景而非孤立物体,我们发现在 ObjectNet 数据集中可以获得约 20-30%的性能提升。相比于 ObjectNet 文献中报告的结果,我们观察到可以恢复约 10-15%的性能损失,无需进行任何测试时间数据增强。然而,正如 Barbu 等人的结论一样,深度模型在该数据集上表现明显不佳。因此,我们认为 ObjectNet 仍然是测试模型广义性能的具有挑战性的数据集。
Apr, 2020
本研究通过设计一种数据获取协议,对目前的深度学习方法在机器人视觉中的物体识别效果进行了广泛研究,并介绍了一个新的数据集。研究结果表明,需要知识转移才能提高性能,同时发现了机器人应用中的物体识别问题与图像检索任务之间的主要差异。
Sep, 2017
本文介绍了一种利用物体检测器和高分辨率 (30cm) 卫星图像来精确预测本地贫困率的计算框架,并且使用权重计数作为特征,相对于现有的比较不可解释的基准模型,能够在乌干达的村级贫困预测中实现 0.539 的皮尔逊相关系数,这是一种可解释性和性能相结合的方法。
Feb, 2020