Dec, 2022

VISEM-Tracking：人类精子跟踪数据集

PDF
TL;DR本文介绍了一种新的数据集 VISEM-Tracking，其中包含有 20 个视频录像的精子制备的 30 秒湿样中所观察到的使用手动标记的边界框坐标和专家分析的精子特征的数据集，同时还提供了未经标注的视频片段，可通过自我或无监督学习等方法进行易于使用的访问和数据分析。文章还介绍了使用在 VISEM-Tracking 数据集上训练的 YOLOv5 深度学习模型的基线精子检测性能，从而表明该数据集可用于训练复杂的深度学习模型来分析精子。
发现论文，激发创造
  • 从自动注释中学习多目标跟踪与分割

    本文介绍了一种新型的自动生成训练数据代码库，以及改进了最先进的多目标跟踪和分割方法。文章提出了跟踪挖掘算法和 MOTSNet 的深度学习跟踪方法，并在 KITTI MOTS 数据集上取得了显著的性能提升。

    Dec, 2019

  • VIBE：基于视频推导的人体姿态和形状估计

    本文提出了基于视频的身体姿态和形状估计方法 (VIBE)，利用现有的大规模运动捕捉数据集 (AMASS) 和无配对的野外 2D 关键点注释，通过对抗学习框架，利用 AMASS 区分真实人体运动和由时态姿态和形状回归网络生成的运动，得到运动检测序列，具有动力学合理性，成功地解决了基于视频的人体三维姿态估计的挑战问题。

    Dec, 2019

  • 使用深度学习进行用户定义特征的无标记跟踪

    通过深度神经网络的迁移学习方法，本论文提出了一种高效的无标记跟踪方法，可以在不同的实验环境中跟踪动物不同的身体部位，尤其在少量训练数据的情况下也能获得很好的跟踪效果。

    Apr, 2018

  • SOMA：自动处理光学标记运动捕捉

    本研究使用 SOMA 神经网络解决基于光学的运动捕捉系统中的标记问题，无需特定的标记标定过程，已在 4 个不同数据集上进行了测试。

    Oct, 2021

  • 基于超像素分割的 3D 地标跟踪器，用于神经科学和生物力学研究

    本文介绍了一种使用 SLIC 超像素方法进行标记分割的方法，使得对跑步啮齿动物的运动学分析变得更加准确、自动化，并最终实现对标记的 95% 正确分割。

    Nov, 2017

  • 基于数据关联和单阶段检测器的人体实例分割与跟踪

    本文提出了一种新的基于单级探测器的人类视频实例分割方法，采用数据关联和重心采样策略，结合学习目标实例出现和关联的特征，以及创建一个专用于人类视频分割的数据集 PVIS，模拟结果表明其有效性和高效性。

    Mar, 2022

  • SAIL-VOS 3D：用于视频数据目标检测和三维网格重建的合成数据集和基准

    本研究提出了一个使用带时间信息的基准模型对视频数据进行三维物体网格重建的方法，通过构建综合场景来萃取物体的详细三维信息。我们通过 SAIL-VOS 3D 合成视频数据集验证了该方法的有效性，并向公众提供了相应的资源和信息。

    May, 2021

  • YouTube-VOS: 序列到序列视频物体分割

    本文介绍了一个基于大规模数据集的序列 - 序列网络，能够充分利用视频的长期时空信息进行分割，在 YouTube-VOS 测试集上取得了最佳结果，在 DAVIS 2016 上与现有最先进方法相比也有可比性。

    Sep, 2018

  • 大规模视频对象挖掘

    本文提出了一种利用普通物体跟踪器在大规模未标记的汽车环境视频中进行物体挖掘的方法，并展示了超过 36 万个自动挖掘的物体轨迹，并提出了一种自动发现新类别和学习检测器的方法。此外，我们还展示了利用挖掘轨迹进行目标检测器适应的初步结果。

    Sep, 2018

  • AMASS: 运动捕捉表面形状存档

    AMASS 是一个新的，大型而多样化的人体动作数据库，使用 MoSh++ 方法将 15 个不同的基于光学标记的运动捕捉数据集表示为一个共同的框架和参数化，包含 40 多个小时的运动数据，覆盖了 300 多个主体和超过 11,000 种动作，对于动画、可视化和深度学习训练数据的生成具有显著的贡献。

    Apr, 2019