ECCVOct, 2022

Google 通用图像嵌入挑战赛第一名解决方案

PDF
TL;DR本文提出的方法在 Google Universal Images Embedding 竞赛中获得了第一名，并基于进行训练和微调的新方法，更好的集成模型池中的模型，高分辨率和重叠拼贴的微调之间潜在的权衡，以及适用于动态边际的潜在因素等多个方面进行了讨论。
google universal images embeddingtrainingfine-tuningensembledynamic margin
发现论文，激发创造
  • Google 通用图像嵌入竞赛第二名解决方案

    本文介绍了第二名在 Google 通用图像嵌入竞赛中的解决方案，主要探讨了数据建立，模型结构和训练策略对细粒度图像分类的影响，并在公共排行榜得分为 0.713，在私人排行榜得分为 0.709。

    Oct, 2022

  • Google 通用图像嵌入第 6 名解决方案

    基于 CLIP 架构，使用 SubCenter ArcFace loss ,dynamic margins 和提高 transfer learning 策略，以 Google Universal Image Embedding 竞赛为基础，创建了多样化的数据集，最终在 Kaggle 的排名中获得第六名，私有排行榜得分为 0.685。

    Oct, 2022

  • Google Landmark Retrieval 2020 大赛第一名解决方案

    使用度量学习、迁移学习、微调、集成等方法，通过分类数码标志以提高模型性能，最终在 Google Landmark 检索比赛中获得第 1 名，并获得 0.38677 的 mAP@100 得分。

    Aug, 2020

  • YouTube-8M Kaggle 竞赛：挑战和方法

    本文介绍了我们参加 YouTube-8M 视频理解挑战的经历和成果，并提供了基于帧级数据的机器学习问题的深入分析和解决方案。我们通过统一平均的多剪辑集成方法，只使用提出的策略就实现了前十名的成绩，同时也介绍了一些有潜力但时间不足无法训练到收敛的方法。希望本文能起到对 YouTube-8M 多标签视频分类基准的一定回顾和指导作用，激发未来尝试和研究的灵感。

    Jun, 2017

  • 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

  • Google Landmark Retrieval 2020 比赛第三名解决方案

    该论文探讨了图像检索的基本问题，提出了一种基于数据清洗和度量学习模型的解决方案，并采用一种名为 Corner-Cutmix 的数据增强方法，提高了模型识别多尺度和被遮挡地标图像的能力。

    Aug, 2020

  • 在 Pinterest 上学习视觉搜索的统一嵌入

    该论文描述了 Pinterest 如何使用多任务深度度量学习系统来学习单个统一的图像嵌入，以帮助用户浏览相关内容和搜索精确产品，还讨论了处理来自不同领域的图像的挑战，并通过离线指标、用户研究和在线 A/B 实验的全面评估证明，他们提出的统一嵌入法改进了 Pinterest 的可视化搜索产品的相关性和互动性。

    Aug, 2019

  • UTS 提交给 Google YouTube-8M Challenge 2017

    该研究提出了一种结合视频级别和帧级别特征识别的混合模型方法，使用循环神经网络、注意力机制和 1D 卷积模型实现帧级别分类，并使用集成模型在私人测试数据集上实现 GAP 0.8408 的分类效果。

    Jul, 2017

  • Google Landmark Retrieval 2021 第二名解决方案

    该论文介绍了 Google 地标检索 2021 年 Kaggle 比赛的第二名解决方案，该解决方案基于具有训练技巧的基线，提出了一种根据国家标签选择训练图像的大陆感知的采样策略，并为检索任务提出了地标 - 国家感知的重新排名方法。在私人排行榜上，我们实现了 0.52995 mAP@100。可在此 https URL 中找到代码。

    Oct, 2021

  • 高效视频标注的深度学习方法

    我们提出了三个模型家族的集成模型来解决 “Google Cloud 和 YouTube-8M 视频理解挑战”，训练使用增强数据集并配合交叉验证，最终排名第 5。

    Jun, 2017