57.3 AP！重繪COCO目標檢測和實體分割新記錄！復制-粘貼是用于實體分割的強大資料增廣方法
拿下COCO目標檢測和實體分割雙料第一名！目標檢測資料刷到57.3 AP；實體分割刷到49.1 AP！
-
Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation
-
作者單位：谷歌大腦（Quoc V. Le等人）, 加州大學伯克利分校, 康奈爾大學
-
論文下載鏈接：https://arxiv.org/abs/2012.07177
注：文末附目標檢測交流群
建立資料高效且可以處理稀有物件類別的實體分割模型是計算機視覺中的一項重要挑戰，利用資料增廣是解決這一挑戰的有希望的方向，在這里，我們對復制-粘貼增廣（[13，12]）進行了系統研究，例如將物件隨機粘貼到影像上的分割，
先前關于復制粘貼的研究依賴于對周圍的視徑訓境進行建模以粘貼物件，但是，我們發現隨機粘貼物件的簡單機制足夠好，并且可以在強大的基線之上提供可靠的收益，此外，我們顯示出Copy-Paste在半監督方法下是加法的，該方法通過偽標簽（例如自訓練）利用額外資料，
實驗結果
在COCO實體分割上，我們實作了49.1個mask AP和57.3個box AP，與之前的最新技術相比，分別提高了+0.6個mask AP和+1.5個box AP，
我們進一步證明，復制-粘貼可以顯著改善LVIS基準，我們的基準模型在罕見類別上的表現優于LVIS 2020挑戰賽的獲勝者，獲得+3.6 Mask AP，
目標檢測交流群
CVer已建立目標檢測微信交流群，已經上千人！想要進目標檢測學習群的同學，可以直接加微信號：CVer5555，加的時候備注一下：目標檢測+學校+昵稱，即可，然后就可以拉你進群了，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/236073.html
標籤：其他
上一篇：計算機視覺入門系列（一） 綜述
下一篇：js高級 第二天 資料/變數/記憶體 記憶體圖 變數在記憶體中 變數的賦值 函式傳參 宣告全域變數的三種方式 回呼函式