VisDA 2022 挑战赛：面向工业垃圾分拣的域适应
计算机视觉与模式识别
2023-03-28 v1
摘要
标签高效且可靠的语义分割对许多现实应用至关重要，尤其对于具有高视觉多样性的工业场景，如垃圾分拣。在工业垃圾分拣中，最大挑战之一是输入流的极端多样性，其取决于分拣设施位置、设施可用设备以及季节等因素，所有这些都显著影响垃圾流的组成与视觉外观。数据中的此类变化称为“视觉域”，而模型对此类域的标签高效适应是工业垃圾成功语义分割所必需的。为检验计算机视觉模型在此任务上的能力，我们提出 VisDA 2022 工业垃圾分拣域适应挑战赛。我们的挑战赛包含一个全标注垃圾分拣数据集 ZeroWaste（采集自不同地点与季节的两个真实物料回收设施），以及一个新颖程序化生成的合成垃圾分拣数据集 SynthWaste。在本竞赛中，我们旨在回答两个问题：1）我们能否利用域适应技术最小化域间隙？2）合成数据增强能否提升该任务性能并助力适应变化的数据分布？竞赛结果表明，工业垃圾检测构成真实的域适应问题，域泛化技术（如增强、集成等）提升了未标注目标域样本上的整体性能，而有效利用合成数据仍是一个开放问题。参见 https://ai.bu.edu/visda-2022/
引用
@article{arxiv.2303.14828,
title = {VisDA 2022 Challenge: Domain Adaptation for Industrial Waste Sorting},
author = {Dina Bashkirova and Samarth Mishra and Diala Lteif and Piotr Teterwak and Donghyun Kim and Fadi Alladkani and James Akl and Berk Calli and Sarah Adel Bargal and Kate Saenko and Daehan Kim and Minseok Seo and YoungJin Jeon and Dong-Geol Choi and Shahaf Ettedgui and Raja Giryes and Shady Abu-Hussein and Binhui Xie and Shuang Li},
journal= {arXiv preprint arXiv:2303.14828},
year = {2023}
}
备注
Proceedings of Machine Learning Research