Question about the COCO-Object result
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 35/100
- Tipo de issue
- Error
- Claridad
- Bastante claro
- Estado de actividad
- Activo
- Stack tecnológico
- python
Línea de trabajo
Start by reproducing the COCO-Object evaluation with the released implementation and the paper's settings, using the standard COCO-Object annotations and background-inclusive evaluation described in the issue. Compare the procedure with the reported Table 1 result, focusing on annotation conversion, prompts, dataset-specific parameters, post-processing, and the decoding bucket size; done means identifying and documenting the source of the 4.3 mIoU discrepancy or confirming the exact evaluation command and data-preparation procedure.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Hi, thank you for releasing the code.
I tried to reproduce the ActiveSAM result on COCO-Object using the released implementation and the settings provided in the paper. The results on VOC21 and PC60 are consistent with those reported in the paper, but the COCO-Object result is about 4.3 mIoU lower. I will attach my reproduction result below.
I used the standard COCO-Object annotations converted from COCO-Stuff-164K following the commonly used GroupViT/SCLIP protocol, and the evaluation includes the background class. I also verified that the decoding bucket size does not explain the difference.
Could you please clarify whether the reported COCO-Object result used different annotation files, conversion rules, prompts, dataset-specific parameters, or post-processing steps? If possible, could you also provide the exact evaluation command or data-preparation procedure used to obtain the result in Table 1?
Thank you for your help!
- Lenguaje dominante
- Python
- Estrellas
- 18
- Forks
- 0
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de VILA-Lab/ActiveSAM
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 20/100
Todos los issues de VILA-Lab/ActiveSAM
Issues similares
-
json_params_matcher fails on falsy top-level JSON primitives (0, False, "")Posiblemente ocupada @mayureshsonawane17 la tomó hoy. AbiertoWaiting for: Product Owner
Dificultad 2/5 1-3 horas Aptitud para principiantes 84/100
Los mantenedores suelen responder en 5 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
Los mantenedores suelen responder en 1 día
-
第二章思考题 8：Skill 追加到末尾不必每轮重新计算 KVAbierto
Dificultad 1/5 Menos de una hora Aptitud para principiantes 88/100
bojieli/ai-agent-book#1169 ·
Los mantenedores suelen responder en 1 día
-
priority:low ready-for-dev
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
OpenHands/extensions#738 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 85/100
micronaut-projects/micronaut-core#13677 ·
Los mantenedores suelen responder en 1 día