TAO-Amodal은 기존 데이터셋의 한계를 극복하고자 제안된 대규모 벤치마크 데이터셋이다. 기존 데이터셋은 객체의 가시 부분만을 고려하거나 클래스 수가 제한적이었다. TAO-Amodal은 833개의 다양한 클래스에 대해 완전 가림 및 부분 가림 상황에서의 객체 경계 박스를 포함하고 있다. 이를 통해 객체 추적 알고리즘의 가림 상황 추론 능력을 종합적으로 평가할 수 있다.
데이터셋 구축 과정에서는 가림 상황에 대한 상세한 가이드라인을 제시하고 이를 바탕으로 전문가들이 정성적으로 어노테이션을 수행하였다. 이를 통해 가림 상황에서의 객체 위치 추정에 대한 불확실성을 반영하였다.
데이터셋 분석 결과, 기존 객체 추적 알고리즘들은 완전 가림 및 부분 가림 상황에서 성능이 크게 저하되는 것으로 나타났다. 이를 개선하기 위해 데이터 증강 기법과 파인튜닝 전략을 적용한 결과, 가림 상황에서의 추적 성능이 2.1% 및 검출 성능이 3.3% 향상되었다.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Cheng-Yen Hs... a las arxiv.org 04-04-2024
https://arxiv.org/pdf/2312.12433.pdfConsultas más profundas