Mar, 2021

VIPriors 1: 数据 - 高效深度学习的视觉归纳先验挑战

PDF
TL;DR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。
vipriorsdata-efficient deep learningdata-impaired challengesdata augmentationmodel ensembling
发现论文，激发创造
  • 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 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

  • 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 图像分类挑战赛技术报告

    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。

    Jul, 2020

  • VIPriors 实例分割挑战赛的任务特定数据增强和推理处理

    本文旨在解决实际应用中数据不足的问题，通过提出 Task-Specific Data Augmentation (TS-DA) 策略和 Inference Processing (TS-IP) 策略的方法，充分利用视觉归纳因素，提高 VIPriors Instance Segmentation Challenge 上的表现。经过实验证明，提出的方法在 2022 年 VIPriors Instance Segmentation Challenge 的测试集中达到竞争水平，并取得了 0.531 的 [email protected]:0.95。

    Nov, 2022

  • ViP：面向计算机视觉的差分隐私基础模型

    本文主要介绍了使用差分隐私 DP 保证训练基础视觉模型的方法，以规避互联网规模数据的隐私和法律风险，并通过对 LAION400M 数据集上训练的视觉 Transformer ViP 的评估，展示了在严格隐私预算下获得可行的准确性和质量。

    Jun, 2023

  • 增益前复制粘贴：面向运动场景的数据和内存效率导向的实例分割框架

    基于视觉归纳先验流传播的记忆效率实例分割框架能够在有限数据和内存约束下取得有希望的性能（0.509 [email protected]:0.95）。

    Mar, 2024

  • 从自监督学习中提取视觉先验

    本文提出一种新的两阶段流程，通过自监督学习和知识蒸馏来提高卷积神经网络模型在小数据集下的图像分类泛化能力，并使用新型边缘损失来更好地学习表示。

    Aug, 2020

  • 不要仅仅猜测；观察并回答：克服视觉问答的先验知识

    本文提出了一个新的 VQA 模型，其中通过引入不同的先验分布来防止模型仅仅依赖训练数据中的先验信息。该模型是 GVQA，与现有 VQA 模型相比，它具有更好的泛化性能和可解释性能。

    Dec, 2017

  • VIP：通过价值内隐预训练实现通用视觉奖励和表示

    本研究提出了一种称为 VIP 的表示自学习方法，通过自监督目标条件强化学习的方式从未标注的人类视频中生成稠密的，可平滑的奖励函数，克服机器人数据获取上的困难，并在实验中表现出优异的表现。

    Sep, 2022