ICMLOct, 2021

常见与不常见环境中熟悉物品的关注

PDF
TL;DR本文介绍了 FOCUS 一个多样的数据集，以测试深度图像分类器的泛化能力，并研究了各种流行的图像分类器在此数据集上的性能，以及分析了这些模型的深度特征，发现这种误差可能是由于在模型预测中使用了虚假特征。本数据集将有助于研究人员了解深度模型在不常见情境下无法良好泛化的原因，并推动未来改进它们分布鲁棒性的工作。
发现论文，激发创造
  • Microsoft COCO：上下文中的通用物体

    本研究旨在推进目标识别的最新进展，提出了一种数据集的形式，通过将目标识别的问题置于场景理解的更广泛背景下，聚集了包含常见物品的复杂日常场景的图像，并利用每个实例分割对物品进行标记以协助精确定位，该数据集包含 91 种 4 岁儿童容易识别的对象类型，有 328k 张图像和 250 万个标记实例。本文最终提供了一种基于可变形零件模型的边界框和分割检测结果的基线性能分析。

    May, 2014

  • CIFAR-10-Warehouse：模型泛化分析中宽广且更真实的测试平台

    通过构建 CIFAR-10-Warehouse 测试平台来研究模型性能在不同未知环境下的问题，以提高对领域泛化和各种分布外环境中模型准确性预测的评估和理解。

    Oct, 2023

  • 跨数据集分析测试平台

    本文开展了针对视觉图像识别中数据集偏见问题的大规模分析，通过将 12 个已有数据库组织成一个语料库，提供了一个有用的特征储存库以供未来研究使用。

    Feb, 2014

  • 常见三维物体：大规模学习和评估真实场景下的 3D 类别重建

    该研究提供了一种名为 CO3D 的大规模数据集，其中包含了 50 种 MS-COCO 类别的近 19,000 个视频，共计 1.5 百万帧真实的多视角图像，带有相机姿态和地面真实 3D 点云的注释，并利用该数据集进行了新视角综合和类别为中心的 3D 重建方法的大规模 “野外” 评估，并提出了一种基于 Transformer 的新型神经渲染方法 NerFormer，可根据物体的少数视角重建整个物体。

    Sep, 2021

  • 基础数据集设计对少样本图像分类的影响

    本文系统地研究了训练数据变化对深度图像特征的质量和通用性的影响，并提出了关键实用问题，如在固定注释预算情况下，每类图像数量和类别数量之间的最佳权衡

    Jul, 2020

  • 你能分清左右吗？一个新的 VQA 挑战

    本文提出了一种用于视觉问答模型评估强度和弱点的方法，通过提供新的数据集 UOUC 并应用几个定量度量来测量其分解分离性，同时展示了模型在分解分离性和简单推理能力方面的挑战，表明 UOUC 可能成为 VQA 的一个强有力的基准。

    Mar, 2022

  • 揭示潜在模式：研究数据集相似性、性能和泛化

    通过添加一小部分未见图片到训练集中，我们的方法可以降低训练与注释成本，提高监督式深度学习模型的泛化性能，并在动态环境中对未见数据的模型性能提供估计。

    Aug, 2023

  • 基于深度学习的现实世界焦点叠加

    使用 94 个高分辨率的原始图像序列进行训练，该研究首次引入了适用于现实世界应用的焦点叠加的深度学习算法，且在处理长时间序列时与现有商业解决方案相媲美，同时对噪声更具容忍度。

    Nov, 2023

  • 荒野中的辨识

    利用 20 个固定的相机捕获的图像构建了一个检测与分类数据库，研究旧数据处理模型对新环境的适应度，发现分类系统的泛化性表现较差。

    Jul, 2018

  • 通过生成数据集实现强健分类：让现实留给想象

    本文研究了生成数据集对图像分类器自然鲁棒性的影响，发现与标准训练和流行的数据增强策略相比，使用真实数据和生成数据相结合进行训练可以提高 Imagenet 分类器的准确性和鲁棒性，同时分析了不同因素对结果的影响，并介绍了 ImageNet-G-v1 数据集。

    Feb, 2023