ECCVNov, 2022

VIPriors 实例分割挑战赛的任务特定数据增强和推理处理

PDF
TL;DR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。
instance segmentationvisual inductive priorsdata-efficientdata augmentationinference processing
发现论文，激发创造
  • 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

  • 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 1: 数据 - 高效深度学习的视觉归纳先验挑战

    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。

    Mar, 2021

  • 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 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

  • MISS：基于视觉归纳先验流传播的内存高效实例分割框架

    通过将视觉先验知识与训练数据集相结合，MISS（Memory-efficient Instance Segmentation System）框架在数据稀缺和内存限制的情况下展现出出色的性能。

    Mar, 2024

  • 基于任务的复制粘贴数据增强方法用于实例分割 - ICCV 2021 VIPriors 研讨会实例分割挑战赛技术报告

    通过使用特定于任务的 Copy-Paste 数据增广方法以及其他数据增广技术和多尺度训练，我们在 VIPriors 挑战的实例分割任务上取得了良好的性能。

    Oct, 2021

  • 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

  • 通过图像提示构建训练无关的开放世界分割基础模型

    通过使用图像概念传达的视觉概念，本研究首次探索了使用基础模型进行开放世界理解的方法，提出了一种名为图像提示分割（IPSeg）的新方法，该方法利用了图像提示技术，通过提取强大的特征，并通过新颖的特征交互模块将输入图像的表示与提示图像的表示进行匹配，以生成突出显示输入图像中目标对象的点提示，并进一步利用生成的点提示来指导 Segment Anything Model 对输入图像中的目标对象进行分割，从而消除了繁琐的训练过程，提供更高效和可扩展的解决方案。

    Oct, 2023

  • 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