论文标题：Chair Segments: A Compact Benchmark for the Study of Object Segmentation 论文链接：https://arxiv.org/abs/2012.01250 代码链接：https://github.com/uvavision/chair-segments 作者单位：圣巴勃罗天主教大学, 麻省大学, 弗吉尼亚大学等 目标是使ChairSegments等同于分割领域中的CIFAR-10数据集，旨在快速设计和迭代新颖的模型架构以进行分割。在Chair Segments上，可以使用单个GPU在30分钟内训练U-Net模型使其完全收敛。数据集和基准代码现已开源！

多年来，数据集和基准对新颖算法的设计产生了巨大影响。在本文中，我们介绍了ChairSegments，这是一种用于目标分割的新颖而紧凑的半合成数据集。我们还显示了迁移学习中的经验发现，这些发现反映了图像分类的最新发现。我们特别表明，从一组预训练的权重中进行微调的模型位于优化环境的同一basin中。 ChairSegments由一组具有不同背景的椅子原型图像组成，这些背景图像具有透明背景，并合成了各种背景。我们的目标是使ChairSegments等同于CIFAR-10数据集，但旨在快速设计和迭代新颖的模型架构以进行分割。在Chair Segments上，可以使用单个GPU在30分钟内训练U-Net模型使其完全收敛。最后，尽管此数据集是半合成的，但它可以用作实际数据的代理，从而在用作预训练源时可以提高“Object Discovery ”数据集的最新准确性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除