一种无尺度轨迹简化方法以在视频中高效采集数据

Apr, 2023

一种无尺度轨迹简化方法以在视频中高效采集数据

A Scale-Invariant Trajectory Simplification Method for Efficient Data Collection in Videos

Yang Liu, Luiz Gustavo Hafemann

TL;DR本文介绍了一种半自动数据标注的方法，通过简化跟踪系统中的物体轨迹来减少手动校正的帧数，从而更高效地生成带标签的训练数据集。在 MOT 数据集上，它将需要手动校正的帧数减少了 30 倍，同时保持 89.61% 的 HOTA 得分；在 SoccerNet 数据集上，它将需要手动校正的帧数减少了 10 倍，同时达到了 79.24% 的 HOTA 得分；在 DanceTrack 数据集上，它将需要手动校正的帧数减少了 10 倍，同时达到了 85.79% 的 HOTA 得分。

Abstract

Training data is a critical requirement for machine learning tasks, and labeled training data can be expensive to acquire, often requiring manual or semi-automated data collection pipelines. For tracking applications, the data collection involves drawing bounding boxes around the class

machine learning data annotation semi-automated pipeline trajectory simplification mot dataset

发现论文，激发创造

PathTrack: 利用路径监督实现快速的轨迹注释

本文介绍了一种有效的框架以及注释轨迹的方法，用于生成具有前所未有的规模的 MOT 数据集，并通过验证表明我们的方法比现有技术更加准确和高效。此外，我们还 crowdsourcing 了 PathTrack 数据集，这个大规模的数据集将对物体追踪及目标识别领域产生重要影响，证明了这个数据集的价值，并且用已有的数据训练之后另行测评的结果证明了我们的方法的有效性。

Mar, 2017

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

视觉目标跟踪的半自动注释

本论文提出了一种半自动化的包围盒标注方法，利用跟踪 - 检测方法和时间信息，采用现成的目标检测器训练，利用多重假设追踪 (MHT) 来提高检测结果的可靠性，并使用人工评估来进行迭代标注。通过实验显示，该方法可以将标注工作量减少 96%。

Jan, 2021

通过动画跟踪：多物体注视跟踪的无监督学习

提出了一种称为 “Tracking-by-Animation” 的跟踪框架，通过利用可微分的神经模型对多个对象进行跟踪，并在重构帧中动画化这些对象，从而实现了无需标记数据的端到端 MOT 学习。同时进一步提出了优化数据关联的 “Reprioritized Attentive Tracking” 模型。

Sep, 2018

跟踪与传递：通过观看视频模拟强人类监督以进行弱监督目标检测

该论文介绍了一种利用弱标记视频中的跟踪对象框传输到弱标记图像中生成伪 Ground Truth 框的框架，用以训练对象检测器，该方法包括从弱标记图像集合中挖掘分辨率区域以形成伪 GT 框，然后设计霍夫变换算法对每个图像投票以选择最佳盒子，目前已在 PASCAL 2007 和 2010 数据集上实现了最先进的弱监督检测结果。

Apr, 2016

以点追踪物体

本文提出了一种简单、快速而准确的目标检测和跟踪算法 CenterTrack，它可以同时进行检测和跟踪，且在线实时运行，是当前最先进的算法之一。

Apr, 2020

SDTracker：基于合成数据的多目标跟踪

本文提出 SDTracker，一种利用合成数据进行多目标跟踪的方法，实现领域泛化和半监督学习。通过对图像进行风格随机化，使用 ImageNet 数据集获得合成数据，通过对不同 “风格” 图像进行金字塔一致性损失的强制执行来学习领域不变特征；运用伪标记方法，使用 PPO2 算法搜索每个序列的置信度阈值，以获得高质量的伪标记，进而在 MOT17 训练集上实现多目标跟踪并获得 61.4 的 HOTA 值

Mar, 2023

利用自监督学习检测跟踪器错误，以最小人工参与收集始终高质量的物体轨迹

我们提出了一个混合框架，通过将自动化目标跟踪器与少量人工输入相结合，可以持续产生高质量的物体跟踪。我们的方法利用无标签视频上的自我监督学习，学习适合目标物体的表示，并使用该表示主动监视其跟踪区域，并在跟踪器失效时决策是否需要人工重新定位目标。实验证明我们的方法在三个数据集上优于现有方法，尤其适用于小型、高速移动或遮挡物体。

May, 2024

无需视频注释学习实例跟踪

本文介绍了一种利用标记图像数据和未标记视频序列学习实例跟踪网络的半监督框架，采用实例对比目标，利用学习的嵌入区分每个实例并在不同帧之间稳定地跟踪对象，并且将此模块集成到单阶段实例分割和姿态估计框架中，较之两阶段网络显著降低了跟踪的计算复杂度。无需任何视频标注努力，我们的方法可达到与大多数完全监督方法相当甚至更好的性能。

Apr, 2021

DITTO：轨迹转换实现示范模仿

通过离线和在线阶段的两步操作，本研究提出了一种通过单个 RGB-D 视频演示进行一次性模仿的机器人教学方法，包括轨迹提取、对象检测、轨迹匹配，借助多个辅助模型验证设计决策，并在真实世界场景下进行了广泛评估。

Mar, 2024