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

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。

Nov, 2022

采用鲁棒的数据增强技术和深度学习架构，通过提出一种新的数据增强技术、采用混合任务级联（HTC）框架和 CBNetV2 作为骨干架构以及引入 Stochastic Weight Averaging（SWA）训练策略，该论文在篮球场景中分割人体主体方面取得了显著的遮挡得分（OM）。

Oct, 2023

设计一种强的实例分割管道来处理篮球场上单个人物（包括球员、教练和裁判员）的分割任务，运用数据增强技术、强的分割模型和 SWA 训练策略，在 DeepSportRadar 挑战中取得了有竞争力的结果。

Sep, 2022

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

应用深度学习的卷积神经网络，结合运动先验信息，通过弱监督主动学习方法对图像中的人体进行分割，同时采用领域自适应方法提高了算法的性能。

Jul, 2018

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

提出了一种简单而有效的方法，通过利用与自动驾驶相关的时序数据的图像先验来改善语义分割准确性，该方法采用先验融合网络来学习先前图像的特征，最终将具体应用于提高场景理解。

Oct, 2019

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 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