The BRAVO Semantic Segmentation Challenge Results in UNCV2024

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F25%3A00386220" target="_blank" >RIV/68407700:21230/25:00386220 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-031-91585-7_18" target="_blank" >https://doi.org/10.1007/978-3-031-91585-7_18</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-91585-7_18" target="_blank" >10.1007/978-3-031-91585-7_18</a>

Jazyk výsledku

angličtina

Název v původním jazyce

The BRAVO Semantic Segmentation Challenge Results in UNCV2024

Popis výsledku v původním jazyce

We propose the unified BRAVO challenge to benchmark the reliability of semantic segmentation models under realistic perturbations and unknown out-of-distribution (OOD) scenarios. We define two categories of reliability: (1) semantic reliability, which reflects the model's accuracy and calibration when exposed to various perturbations; and (2) OOD reliability, which measures the model's ability to detect object classes that are unknown during training. The challenge attracted nearly 100 submissions from international teams representing notable research institutions. The results reveal interesting insights into the importance of large-scale pre-training and minimal architectural design in developing robust and reliable semantic segmentation models.

Název v anglickém jazyce

The BRAVO Semantic Segmentation Challenge Results in UNCV2024

Popis výsledku anglicky

We propose the unified BRAVO challenge to benchmark the reliability of semantic segmentation models under realistic perturbations and unknown out-of-distribution (OOD) scenarios. We define two categories of reliability: (1) semantic reliability, which reflects the model's accuracy and calibration when exposed to various perturbations; and (2) OOD reliability, which measures the model's ability to detect object classes that are unknown during training. The challenge attracted nearly 100 submissions from international teams representing notable research institutions. The results reveal interesting insights into the importance of large-scale pre-training and minimal architectural design in developing robust and reliable semantic segmentation models.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

N - Vyzkumna aktivita podporovana z neverejnych zdroju

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Computer Vision – ECCV 2024, Part XVII

ISBN

978-3-031-91584-0

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

17

Strana od-do

290-306

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Milano

Datum konání akce

29. 9. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001544990200018