谷歌、UC伯克利与康奈尔大学的研究人员发表论文，通过简单的“复制粘贴”数据增广方法，提升了COCO数据集上目标检测和实例分割的性能。这种方法包括五个随机步骤：随机选择图像、随机缩放、随机翻转、随机选择目标并粘贴到另一图像中。即使不考虑现实合理性，模型精度仍显著提高，且适用于不同尺度抖动、模型和任务。此外，与自训练方法结合效果更优。
近日，谷歌、UC伯克利与康奈尔大学的研究人员公布了一篇论文 Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation ，使用简单粗暴的“复制-粘贴”术，再次刷新COCO数据集上目标检测与实例分割的新高度。
该论文全文无公式，也无算法流程图，介绍方法只用了3句话，如下：
其余全是实验，但结果异常好，其最好模型在COCO数据集上实例分割和目标检测任务中分别达到49.1 mask AP 和 57.3 box AP，比之前最好结果分别高0.6 和1.5 个点！
该文作者信息：
该文主要使用了训练集中实例分
最低0.47元/天 解锁文章
扫一扫
338
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
