那些年我们一起追过的ILSVRC冠军
ILSVRC共举办7年, 其中产生一些如AlexNet,GoogleNet等经典网络,如下对其检测和分类领域的冠军进行总结。ps:下图前三个图展示了不同task对应的意义。
年代 | task | 网络/队名 | 结果 | 说明 |
2012 | 分类 | AlexNet | test top-5 error =0.16422 | 仅使用2012年的数据(使用2011年的数据时,top5 error=0.15315) |
单目标检测 | AlexNet | test top-5 error =0.341905 | 仅使用2012年的数据(使用2011年的数据时,top5 error=0.335463) | |
2013 | 分类 | Clarifai公司(ZFNet) | test top-5 error =0.11743 |
当年数据集上多个模型的平均结果(使用额外数据集时的top5 error=0.11197); ZFNet采用4种结构的5个网络取得top5 error=0.13511(论文中为0.148)的成绩; ZFNet网络的作者Matthew D. Zeiler是Clarifai的创始人兼CEO。 |
单目标检测 | OverFeat | Error=0.298772 | Yann Lecun在纽约大学的团队提出了著名的OverFeat算法 | |
检测 | UvA-Euvision | map=0.22581 | 使用先验知识运行两次的结果; OverFeat - NYU使用额外数据进行预训练map=0.194009排名第五。 | |
2014 | task 1a:基于提供数据的目标检测 | NUS(新加坡国立大学) | map=0.37212 | 基于多模型得分混合后的结果 |
task 1b:使用额外数据的目标检测 | GoogLeNet | map=0.439329 | Ensemble of detection models | |
task 2a:基于提供数据的单目标检测 | VGG(定位冠军)GoogLeNet(分类冠军) | 定位误差(vgg) 0.253231 分类误差(GoogLeNet) 0.06656 | (VGG)多网络组合后的平均结果 | |
task 2b:使用额外数据的目标检测 | Adobe-UIUC(定位冠军) CASIA_CRIPAC_We-ak_Supervision(分类冠军) | 定位误差(Adobe) 0.300961 分类误差(CASIA) 0.11358 | CASIA_CRIPAC为中科院自动化所http://www.cripac.ia.ac.cn/CN/model/index.htm | |
2015 | task 1a:基于提供数据的目标检测 | MSRA(微软亚洲研究院)(ResNet) | map=0.620741 |
集成模型的结果; 单模型的map=0.588451为亚军; MSRA参赛人员中包括何凯明,即ResNet网络的作者 |
task 1b:使用额外数据的目标检测 | Amax | map=0.57848 |
Amax组成人员来自: 1、悉尼科技大学; 2、南京信息工程大学; |
|
task 2a:基于提供数据的单目标检测 | MSRA(微软亚洲研究院) | 定位误差0.090178 分类误差0.03567 | ||
task 2b:使用额外数据的目标检测 |
Trimps-Soushen(定位冠军) Amax(分类冠军) |
定位误差(Soushen)0.122285 分类误差(Amax)0.04354 | Trimps-Soushen为公安部三所 | |
task 3a:基于提供视频数据的目标检测 | CUVideo | map=0.678216 |
CUVideo参赛人员来自: 1、香港中文大学; 2、SenseTime Group Limited(商汤科技); |
|
task 3b:使用额外视频数据的目标检测 | Amax |
Amax组成人员来自: 1、悉尼科技大学; 2、南京信息工程大学; |
||
task 4a:使用提供数据的场景分类 | WM | 分类误差0.168715 |
WM组成人员来自: 1、中国科学院大学(Li Shen); 2、北京大学(Zhouchen Lin ) |
|
task 4b:使用额外数据的场景分类 | NEIOP | 分类误差0.203539 | ||
2016 | task 1a:基于提供数据的目标检测 | CUImage | map=0.662751 | 6个模型集成的结果 |
task 1b:使用额外数据的目标检测 | CUImage | map=0.660081 | ||
task 2a:基于提供数据的单目标检测 | Trimps-Soushen | 定位误差0.077087 分类误差0.02991 |
定位使用的是emsemble3, 分类使用的是emsemble2 ResNeXt为分类的亚军,误差为0.03031 |
|
task 2b:使用额外数据的目标检测 | Trimps-Soushen | 定位误差0.077377 分类误差0.02991 | ensemble5 | |
task 3a:基于提供视频数据的目标检测 | NUIST | map=0.808292 | NUIST(南京信息工程大学) | |
task 3b:使用额外视频数据的目标检测 | NUIST | map=0.79593 | NUIST(南京信息工程大学) | |
task 3c:使用提供视频数据的目标检测和跟踪 | CUVideo | map=0.558557 |
CUVideo参赛人员来自: 1、香港中文大学; 2、SenseTime Group Limited(商汤科技); |
|
task 3d:使用额外视频数据的目标检测和跟踪 | NUIST | map=0.583898 | NUIST(南京信息工程大学) | |
场景分类 | Hikvision | top-5 error =0.0901 | Hikvision(海康威视) | |
常见解析 | SenseCUSceneParsing | Average of mIoU and pixel accuracy=0.57205 |
参赛人员来自: 1、香港中文大学; 2、SenseTime(商汤); |
|
2017 | task 1a:基于提供数据的目标检测 | BDAT | map=0.732227 |
参赛人员来自: 1、南京信息工程大学; 2、伦敦帝国理工学院; |
task 1b:使用额外数据的目标检测 | BDAT | map=0.731613 | ||
task 2a:基于提供数据的单目标检测 |
NUS-Qihoo_DPNs (CLS-LOC) (定位冠军) WMW(分类冠军) SENet |
定位误差0.062263 分类误差(WMW)0.02251 |
NUS-Qihoo_DPNs (CLS-LOC)参赛人员来自: 1、新加坡国立大学; 2、奇虎360 WMW参赛人员来自: 1、Momenta(国内的自动驾驶公司) 2、牛津大学 |
|
task 2b:使用额外数据的目标检测 | NUS-Qihoo_DPNs (CLS-LOC) | 定位误差0.061941 分类误差0.02713 | 两个结果来自不同的网络 | |
task 3a:基于提供视频数据的目标检测 | IC&USYD | map=0.818309 |
参赛人员来自: 1、伦敦帝国理工学院(IC); 2、悉尼大学(USYD) |
|
task 3b:使用额外视频数据的目标检测 | IC&USYD | map=0.819339 | ||
task 3c:使用提供视频数据的目标检测和跟踪 | IC&USYD | map=0.641474 | ||
task 3d:使用额外视频数据的目标检测和跟踪 | IC&USYD | map=0.642935 |
参考文献:
- ILSVRC官网
- http://www.cnblogs.com/liaohuiqiang/p/9609162.html
- https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/object_localization_and_detection.html
- CNN 浅析和历年 ImageNet 冠军模型解析
那些年我们一起追过的ILSVRC冠军相关推荐
- 那些年我们一起追过的缓存写法(二)
感谢园子里的同学对上一篇的支持,很高兴楼主的一些经验及想法能够对大家有一些帮助. 上次主要讨论缓存读写这块各种代码实现,本篇就上次的问题继续来,看看那些年折腾过的各种缓存做法. 阅读目录: 缓存预热 ...
- 《那些年我们一起追过的女孩》你真的看懂了吗?
世上有很多东西是可以挽回的,比如良知,比如体重.但不可挽回的东西也很多,旧梦,岁月,对一个人的感觉.放弃一个很爱你的人并不痛苦,放弃一个你很爱的人才是痛苦.感情无大事,能导致分手的,很多时候是因为一场 ...
- 那些年我们一起追过的Shell Script
原本这是自己在几个月前为公司的一个分享活动写的一个投影片,今天趁大脑负荷比较小,把这个话题拿到blog上面来分享一下.从知道shell算起至今也就几个年头而已,如今勉强算是入门了.对某一个新事物的掌握 ...
- 那些年我们一起追过的大佬
观众朋友们,过年好! 今天我带来的分享主题是"那些年一起追求的大佬",主要内容聊聊就是近两年线上.线下认识的牛人们,从他们身上学到的一些东西. 首先简单自我介绍一下,我是公众号&q ...
- 领航服务器系统,应用领航:盘点那些年我们一起追过的OS
服务器操作系统三分天下 随着科技是时代的到来,操作系统的重要性越加凸显,苹果的成功,HTC的热卖,无疑不说明占领操作系统就会在整个终端市场争夺中握有主动权.而在服务器方面,可以说操作系统更是尤为重要, ...
- 那些年我们一起追过的美剧
" 这些年追美剧成了晚上的重要消遣.谨以此文做一个小结." 斯巴达克斯 几年前,我去英国出差,晚上在公寓休息的时候,打开了电视,那个频道正在播一部电视剧,冷不防出现了一段全裸镜头. ...
- 你是否还记得?那些年我们一起追过的(FIDL:Flutter界的AIDL)
前言 大家好!今天给大家安利一个自认为比较重磅的Flutter开源项目. Flutter的产品定义是一个高性能的跨平台的移动UI框架,能够用一套代码同时构建出Android/iOS/Web/MacOS ...
- 那些年我们一起追过的技术和开源软件
一转眼,在IT软件行业里已经摸爬滚打十年了,回想多年来的软件开发生涯,研究过很多开源技术和代码,也见识过很多没用过的,下面我就把我接触过或了解过的优秀开源软件给大家做个梳理和总结,以方便大家来参考查阅 ...
- PM成长日记第三话-那些年我们一起做过的项目
第三话按照原计划是要写写平常心的,因为飞跃计划要交作业,所以就改为写自己对项目管理的一些经验总结,刚好前一段时间那些年我们一起追过的女孩很是流行,这一话的名字就叫做那些年我们一起做过的项目. 我的第一 ...
- 那些年我们一起撸过的缓存写法
上次主要讨论缓存读写这块各种代码实现,本篇就上次的问题继续来,看看那些年折腾过的各种缓存做法. 阅读目录: 缓存预热 多级缓存 线程缓存 内存缓存 文件缓存 分布式缓存 DB缓存 多层缓存 总结 缓存 ...
最新文章
- matlab在曲线给命名,matlab 利用xlsread画图,怎么将一组excel数据导入,通过matlab作图...
- 记录 Git命令速查表
- 如何屏蔽TCP 报头中的内容-位置字段中显示的 IP 地址
- anaconda 安装 pytorch
- Git 常用命令及讲解(不断更新)
- DOA——ESPRIT算法
- 《Python Cookbook 3rd》笔记(2.18):字符串令牌解析
- ipmsg飞鸽传书系统即时通讯
- SQL Server链接服务器 Linked Server
- acl自然语言处理_ACL 2020中自然语言处理中的知识图
- [渝粤教育] 西安建筑科技大学 环境规划与管理 参考 资料
- NOIP蒟蒻组初赛攻略
- 利用百度云存储制作外链mp3音乐地址
- fifa15服务器位置,FIFA15球队战术位置技巧
- 高速高精度半导体运动台设计(二)
- 真假屏幕测试软件,四个小技巧,检测 iPhone 屏幕是否为原装屏
- 春秋云镜靶场Initial-WriteUP 专业徽章手把手教学
- oracle不能打开新任务,virtualbox 不能为虚拟电脑打开一个新任务?
- C/C++实现文件加密器
- js实现html网页页面多语言化