Feb, 2022

Met 数据集：艺术品实例级别识别

PDF
TL;DR该研究介绍了一个艺术品领域的大规模实例级别识别数据集，包含了许多具有挑战性的问题，同时结合了自监督和监督对比学习来训练骨干网络进行非参数分类，该数据集可用于鼓励探索不同领域上的领域独立方法。
instance-level recognitionartwork datasetlarge-scale recognitiondomain independent approachescontrastive learning
发现论文，激发创造
  • iMet Collection 2019 挑战数据集

    本研究提出了细粒度艺术品属性识别的新数据集，并借助比赛鼓励细粒度视觉识别研究社区的热情以推进数字博物馆文物数字化的最新技术。

    Jun, 2019

  • ArtBench 数据集：以艺术品为样本评估生成模型

    ArtBench-10 是第一个用于艺术品生成基准测试的平衡、高质量、干净注释和标准化数据集，其中包含了 60000 个艺术品图像，可用于流行的机器学习框架。

    Jun, 2022

  • 通往全能图像嵌入：一个针对通用图像表示的大规模数据集与挑战

    该研究论文通过构建一个新的大规模公共基准数据集，评估了通用图像嵌入的性能，并通过实验证明，与单独训练每个领域的模型相比，现有方法和简单的扩展方法的性能较差。

    Sep, 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

  • 大规模历史水印识别：数据集和一种新的基于一致性的方法

    本论文提出了一个新的用于历史水印识别的大规模公共数据集，并展示了应用现代深度学习方法在跨域、细粒度的情形下所能取得的 55% 的准确率，同时在细粒度图像检索方面也取得了有希望的结果。

    Aug, 2019

  • DEArt: 欧洲艺术数据集

    我们提出了 DEArt，它是一个针对文化遗产绘画的检测数据集，检测物体和姿势分类，是一个与众不同的数据集，具有 69 个类别和 12 个姿势，并且可以通过迁移学习实现与最先进模型相媲美的精度。

    Nov, 2022

  • Meta-Dataset: 从少量示例中学习的数据集

    提出了一个名为 Meta-Dataset 的大规模基准数据集，用于训练和评估模型在少样本分类问题上的性能，并探讨模型对不同训练来源的泛化能力和元学习的好处。

    Mar, 2019

  • XIMAGENET-12：一个可解释的 AI 基准数据集用于模型鲁棒性评估

    为了解决标准化鲁棒性评估指标缺乏和过多无关基准数据集的问题，我们引入了 XIMAGENET-12，一个可解释的基准数据集，包含 20 万多张图像和 15,600 个手动语义注释。同时，我们提出了一个新的鲁棒性评估标准，超越了模型生成能力的评估。研究人员和从业者可以利用这个资源，在具有挑战性的条件下评估他们的视觉模型的鲁棒性，并从实际的计算机视觉系统需求中受益。

    Oct, 2023

  • 多源域自适应的元自学习：基准

    本文的研究着重于文本识别问题，通过提出元自学习方法 (Meta Self-Learning) 和收集包含 5 个不同领域的超过 5 百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

    Aug, 2021

  • MS-Celeb-1M: 大规模人脸识别的数据集和基准

    本文提出了一个基于知识库的人脸识别基准任务，建立相关的数据集，通过该任务可以识别 100 万名人的面部图像，并将其链接到相应的实体密钥。我们提供了具体的度量集，评估协议以及训练数据，并报告了有前途的基线结果，将有助于图像字幕和新闻视频分析等实际应用。

    Jul, 2016