ECCVJul, 2020

VIPriors 图像分类挑战赛技术报告

PDF
TL;DR本文简要介绍我们参加 VIPriors 图像分类挑战的提交报告。我们使用多个强大的网络和多个损失函数来学习更有代表性的特征。为了提高模型的泛化和鲁棒性，我们还使用了高效的图像增强策略，如 autoaugment 和 cutmix。最终，我们使用集成学习来提高模型性能，我们的团队 DeepBlueAI 在排行榜上排名第二，Top-1 准确率为 0.7015。
image classificationvipriors image classification challengebackbonesloss functionsensemble learning
发现论文，激发创造
  • ECCV 2020 VIPriors 目标检测挑战赛第二名解决方案

    本文介绍了我们在 2020 年的 ECCV VIPriors 物体检测挑战中使用最先进的数据增广策略、模型设计和后处理集成方法，克服数据缺乏困难、仅使用 10K 训练图像，在没有任何预训练或迁移学习权重的情况下，获得了第二名，并在 COCO2017 验证集上实现了 36.6％的 AP。

    Jul, 2020

  • VIPriors 1: 数据 - 高效深度学习的视觉归纳先验挑战

    该论文介绍了 “VIPriors：基于视觉归纳先验的数据有效深度学习” 挑战赛的第一版，其中提出了四个数据受损挑战，并禁止使用预训练模型和其他迁移学习技术，大部分排名靠前的解决方案使用了数据增强、模型集成和新颖高效的网络架构，相对于基线表现显著提高。

    Mar, 2021

  • VIPriors 2: 数据有效深度学习挑战的视觉归纳先验

    VIPriors 第二版，通过具有五个数据缺失挑战的任务，证明通过引入正确的归纳偏差，如数据扩增和数据高效网络结构，可大幅提高深度学习模型的数据效率。

    Jan, 2022

  • VIPriors 3: 数据高效深度学习的视觉归纳先验挑战

    本文介绍了第三届 “VIPriors：基于视觉归纳先验的数据有效深度学习” 研讨会，旨在解决训练计算机视觉任务的深度学习模型的数据可用性限制，其中的四项挑战任务取得了显著进展，主要归功于数据增强策略、模型融合技术和自监督表示学习等方面的贡献。

    May, 2023

  • VIPriors 4：用于数据高效深度学习的视觉归纳先验挑战

    第四届 “VIPriors：视觉归纳先验的高效深度学习” 研讨会涵盖了两个数据受限挑战，旨在通过引入归纳偏差改善深度学习模型的数据效率，取得显著进展，重点介绍了这些挑战及其结果。

    Jun, 2024

  • 基于深度卷积神经网络的图像分类的一些改进

    通过给训练数据增加更多的图像变换、给测试时产生更多的预测和使用应用于更高分辨率图像的补充模型等多种技术，我们改进了目前基于深度卷积神经网络的图像分类流程，并在 Imagenet 大规模视觉识别挑战赛 2013 中获得了前五名，我们的系统分类错误率为 13.55％，相对于上一年的获胜者，出现了超过 20％的相对提高。

    Dec, 2013

  • 使用数据增强的 Deep CNN 集成物体检测模型

    采用 DeepEnsembleCoco 的方法，利用 R-CNN 模型与深度 CNN 模型的集成来实现在目标检测方面取得最新的成果，并且在 PASCAL VOC 2012 比赛中的表现已超过以往所有的方法。

    Jun, 2015

  • 图像分类中预训练模型特征提取评估

    比较了不同的预训练神经网络在图像分类任务中的特征提取性能，结果表明 CLIP-ViT-B 和 ViT-H-14 模型在多个数据集上取得了最好的表现，CLIP-ResNet50 模型表现类似但变异性较小。因此，我们的研究证明了在图像分类任务中选择模型进行特征提取的合理性。

    Oct, 2023

  • 深度 CNN 和训练策略在文档图像分类上的应用研究：减少一半的错误率

    本研究通过使用深度学习和神经网络，采用迁移学习自实际图像和大规模文档图像数据集，分析训练数据量及其它参数对文档图像分类的影响，并展示通过使用最新的神经网络 (GoogLeNet，VGG，ResNet)，文本图像分类的准确度提高了超过一半。

    Apr, 2017

  • 2023 年 ICCV 研讨会挑战赛一轨道资源高效计算机视觉深度学习：预算模型训练挑战第一名

    通过资源有限的预算模型训练挑战，我们提出了一种简单而有效的资源感知骨干网搜索框架，包括配置和实例化阶段，并采用多分辨率集合以提升在有限资源下的推理准确性。我们的方法在国际计算机视觉会议 (ICCV) 2023 年工作坊挑战赛资源高效深度学习路线上荣获第一名。

    Aug, 2023