Sep, 2023

FORB: 适用于通用图像嵌入的扁平对象检索基准

PDF
TL;DR图像检索是计算机视觉中的一个基本任务。尽管该领域取得了一些进展，但许多技术仅在有限数量的领域和少数实例类别上进行了评估。为了填补这一空白，我们提出了一个新的数据集，用于在具有多样的平面图案的平面图像上评估视觉搜索方法，以及出于领域外分布评估图像嵌入质量。
image retrievalcomputer visionbenchmarkingvisual search methodsflat object retrieval
发现论文，激发创造
  • 斯坦福 - ORB: 三维物体逆向渲染实际世界基准

    我们引入了 Stanford-ORB，一个新的真实世界的 3D 物体逆向渲染基准。我们通过提供一个新的真实世界的数据集，并使用该数据集建立了首个全面的真实世界评估基准，评估对象逆向渲染任务在野外场景的性能，并比较了各种现有方法的表现。

    Oct, 2023

  • ABO: 现实世界三维物体理解数据集和基准

    介绍 Amazon Berkeley Objects（ABO）数据集，旨在填补真实和虚拟 3D 世界之间的差距，并衡量了当前最先进技术在单视角 3D 重建、材料估计和跨域多视角物体检索等三个问题上的限制。

    Oct, 2021

  • 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

  • ORBIT: 用于可教的物体识别的现实世界少样本数据集

    通过发布 ORBIT 数据集和基准测试结果，本研究展示了通过少量见例子的学习，实现物品识别这一具备良好应用前景的任务在现实场景中的挑战和机会，并在此基础上提出了具有挑战性的测试基准，为解决此问题提供研究奠定了基础。

    Apr, 2021

  • NERFBK：基于 NERF 的三维重建高质量基准测试集

    本文介绍了一个名为 NeRFBK 的新的真实和合成数据集，特别设计用于测试和比较基于 NeRF 的三维重建算法。该数据集提供多尺度、室内外数据和相机参数，以测试和比较 NeRF-based 算法，具有显著的潜力推动三维重建领域的发展。

    Jun, 2023

  • 达标游戏

    该研究提出了一个基于虚拟世界的视觉感知基准测试套件，通过对超过 250,000 个高分辨率视频帧的低层次和高层次的视觉任务进行全面地注释，并针对多个任务分析了最先进方法的表现，提供参考基线和突出未来研究的挑战。

    Sep, 2017

  • BEIR: 一个用于零样本评估信息检索模型的异构基准

    BEIR（Benchmarking-IR）是一个针对信息检索的鲁棒性和异质性评估基准，通过对 18 个公开数据集的评估，发现 BM25 是一个强大的基线，而后期交互和重新排名模型通常可以实现最佳零 - shot 表现，但计算代价高，与此相反，密集和稀疏检索模型的计算效率更高，但往往表现得不如其他方法，突显了它们的可扩展性有很大的改进空间。

    Apr, 2021

  • 重访牛津和巴黎：大规模图像检索基准测试

    本文研究图像检索基准测试中的问题，特别是注释错误、数据集大小和难度水平等方面，并创建了新的数据集注释，引入了三个不同难度的协议以公平地比较不同方法，在新基准测试中进行了先进方法的广泛比较。

    Mar, 2018

  • 基于视频序列的无监督物体表示基准测试

    研究了四种基于物体的表征方法的感知能力，设计了一个基准测试集来评估物体检测、分割和跟踪的基本感知能力，并发现具有非约束潜在表征的架构比基于空间变换器的架构具有更强的物体感知能力。

    Jun, 2020

  • 无约束前景目标搜索

    本文提出了一种解决图像编辑中寻找前景对象的技术 —— 无约束前景物体搜索，并介绍了一种支持通过将背景图像与前景对象进行编码来进行高效搜索的解决方案。通过创建具有不同语义类别的多个前景对象的大型训练数据集，我们的无约束前景物体搜索解决方案优于相关基线，这在两个不同的数据集上进行了定量和人类感知实验的证实。

    Aug, 2019