Core Concepts
自己教師あり学習を使って、オブジェクトトラッカーの失敗を検出し、人的介入を最小限に抑えながら一貫して高品質なオブジェクトトラックを生成する。
Abstract
本研究は、自動オブジェクトトラッカーと少量の人的入力を組み合わせることで、一貫して高品質なオブジェクトトラックを生成する新しいハイブリッドフレームワークを提案している。
主なアプローチは以下の通り:
事前に自己教師あり学習を使ってオブジェクトの特徴表現を学習する。これにより、人手で注釈付けされたデータを必要とせずに、新しいオブジェクトカテゴリに適用できる。
学習した特徴表現を使って、オブジェクトトラッカーの失敗を検出し、人的介入が必要な場合にのみ人手で注釈を付ける。
人的介入を最小限に抑えつつ、一貫して高品質なオブジェクトトラックを生成することができる。
実験では、3つのデータセットで提案手法が既存手法を上回る性能を示した。特に、小さなオブジェクト、高速移動オブジェクト、遮蔽の多いオブジェクトの追跡において優れた結果が得られた。
Stats
人手で1つのバウンディングボックスを注釈するのに5.25秒かかると仮定すると、MOT16データセットを注釈するのに少なくとも427時間かかる。
1Mオブジェクトのデータセットを注釈する場合、提案手法は既存手法と比べて、1つのオブジェクトあたり0.4個少ないバウンディングボックスを注釈すれば済み、コストを$8,745節約できる。
Quotes
"人的介入を最小限に抑えつつ、一貫して高品質なオブジェクトトラックを生成することができる。"
"特に、小さなオブジェクト、高速移動オブジェクト、遮蔽の多いオブジェクトの追跡において優れた結果が得られた。"