CVPRMar, 2021

自然世界图像集的表示学习基准测试

PDF
TL;DR本研究提供两个新的自然世界分类数据集 iNat2021 和 NeWT，探索了 fine-grained 类别的大规模表示和迁移学习的问题。研究表明，在各种任务中，基于 ImageNet 和 iNat2021 有监督方法学习到的特征优于 SimCLR 等自我监督方法。
self-supervised learningfine-grained visual categorizationnatural world classification datasetsrepresentation learning algorithmsfeature extractors
发现论文，激发创造
  • iNaturalist 物种分类与检测数据集

    本论文提出了 iNaturalist 物种分类和检测数据集，包括来自全球 5000 多种植物和动物的 859,000 张图片，其中包括视觉相似的物种以及具有各种图像质量和类不平衡性的图片。通过对数据集进行广泛的基准实验，本文的结果表明目前基于非集成方法的计算机视觉分类和检测模型只能达到 67% 的准确率，提出了面临的挑战和需要更多低阶学习关注的解决方案。

    Jul, 2017

  • 聚焦正面：自监督学习用于生物多样性监测

    利用静态监控相机捕获的图像集合中的自然变化和上下文数据来学习无标签图像集合的自我监督表示，通过在训练时识别高概率正面对，即可能描述相同视觉概念的图像，可以获得出色的下游超级分类性能。

    Aug, 2021

  • 物种 196：一个百万级半监督数据集用于细粒度物种识别

    介绍了一个大规模的半监督数据集 Species196，包含 196 个入侵物种的专家级标注图像和大量无标签图像，并提供四种实验设置以评估现有模型和算法在入侵物种分类中的性能。

    Sep, 2023

  • 基于网络监督的细粒度识别：基准数据集和方法

    本文构建了两个新的基准网页监督的精细分类数据集 WebFG-496 和 WebiNat-5089，同时提出一种新的网页监督方法 Peer-learning，并在该数据集上进行了全面的实验。实验结果表明，该方法优于现有的基线模型和最先进的方法。

    Aug, 2021

  • 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

  • 自动发现和学习新的视觉类别：基于排序统计学的方法

    本文针对在一个图像集合中发现新类别的问题，提出结合自监督学习、排名统计和联合目标函数优化的方法，使用带标签和未标记数据训练数据表示模型，成功应用于标准分类基准测试中，显著优于现有的方法。

    Feb, 2020

  • 用于高效物种检测的 LiT 调整模型

    该论文提出了一种适用于分布式视觉语言预训练的简单方法，并在具有挑战性的 iNaturalist-2021 数据集上实现了零样本分类精度，从而打开了在涉及物种检测的农业相关应用中利用高质量视觉 - 语言预训练模型的新途径。

    Feb, 2023

  • 神经自然主义者：生成细粒度图像比较

    介绍了一个名为 Birds-to-Words 的新数据集，包含用自然语言描述鸟类的语句，使用了一种新的分层抽样方法，提出了一个名为神经博物学家（Neural Naturalist）的模型来生成，评估结果表明，神经模型具有用自然语言解释视觉嵌入空间中差异的潜力，并为机器学习提供了一条资助公民科学家保护生物多样性的具体路径。

    Sep, 2019

  • 扩展 WILDS 基准以实现无监督适应

    本篇论文介绍了 WILDS 2.0 的更新，通过增加真实部署中可获得的无标签数据，扩展了 WILDS 基准测试中 10 个数据集中的 8 个。研究人员在这些数据集上进行了系统性基准测试，展示了当前最先进的方法使用无标签数据在现实世界应用中的局限性，并提供了一个开源软件包来自动化数据加载和包含本文中使用的所有模型架构和方法。

    Dec, 2021

  • 具有分类标签的半监督学习

    本文提出了一种使用粗略的分类标签来训练细粒度领域图像分类器的技术，并证明在 Semi-iNat 数据集上实现了显著的性能提升，其中相对增益较大的是在细粒度标签的情况下进行训练和使用半监督学习算法 FixMatch。

    Nov, 2021