Not everyone is wealthy enough to have hundreds of GPUs or TPUs. Therefore, we've got to find a way out. In this paper, we introduce a data-efficient instance segmentation method we used in the 2021 VIPriors Instance Segmentation Challenge. Our solution is a modified version of Swin Transformer, based on the mmdetection which is a powerful toolbox. To solve the problem of lack of data, we utilize data augmentation including random flip and multiscale training to train our model. During inference, multiscale fusion is used to boost the performance. We only use a single GPU during the whole training and testing stages. In the end, our team named THU_IVG_2018 achieved the result of 0.366 for AP@0.50:0.95 on the test set, which is competitive with other top-ranking methods while only one GPU is used. Besides, our method achieved the AP@0.50:0.95 (medium) of 0.592, which ranks second among all contestants
翻译：并非每个人都有足够的财富来拥有数百个 GPU 或 TPU 。 因此, 我们必须找到一条出路 。 在本文中, 我们引入了一种数据高效实例分割方法 。 在2021 VIPR 分割挑战中, 我们使用的是一种数据高效实例分割方法 。 我们的解决方案是修改的 Swin 变异器版本, 其基础是毫米检测器, 这是一种强大的工具箱。 为了解决数据缺乏的问题, 我们使用数据增强, 包括随机翻转和多尺度的培训来培训模型。 在推断过程中, 多尺度的聚合用于提升性能。 我们仅在整个培训和测试阶段使用一个单一的 GPU 。 最后, 我们的团队名为 THU_ IVG_ 2018, 在测试集上取得了0. 366 AP@ 0. 50: 0. 95 的结果, 它与其他顶级方法具有竞争力, 而只使用一个 GPUP 。 此外, 我们的方法达到了 AP@ 0. 50: 0. 95 ( 中等) 0. 592, 在所有参赛者中排第二位。
相关内容
微信扫码咨询专知VIP会员