Heuristics2Annotate：面向边界框回归的大规模马拉松数据集高效标注
计算机视觉与模式识别
2021-04-08 v1 人工智能
摘要
标注大规模真实场景下行人重识别数据集，尤其是马拉松跑者数据集，是一项具有挑战性的任务。相机视角、分辨率、遮挡和光照等场景变化使该问题变得非平凡。在此类大规模数据集中手动标注边界框成本高昂。此外，由于视频中的拥挤与遮挡，跨多个不相交相机对齐跑者身份亦具挑战。我们收集了一个新颖的大规模真实场景马拉松跑者视频数据集。该数据集包含使用 42 部手持智能手机拍摄、覆盖真实场景、长达数小时、数千名跑者的录像。由于视频中存在拥挤与遮挡，跑者标注成为难题。我们提出了一种新方案以应对此类大规模数据集标注中的挑战。我们的技术在时间与预算上降低了整体标注成本。我们展示了通过帧率分析以减少标注精力与时间。我们研究了多种用于高效生成紧密边界框的标注方法。结果表明，在关键帧间插值边界框是若干方法中最高效的边界框生成方法，比朴素基线方法快 3 倍。我们引入了一种在不相交相机中对齐跑者身份的新方法。我们的跨相机对齐工具与最先进行人重识别系统相集成，被证明足以且有效地在具有非重叠视角的多相机间对齐跑者。我们提出的标注框架将数据集标注成本降低 16 倍，并在跨相机设置中有效对齐了 93.64% 的跑者。
引用
@article{arxiv.2104.02749,
title = {Heuristics2Annotate: Efficient Annotation of Large-Scale Marathon Dataset For Bounding Box Regression},
author = {Pranjal Singh Rajput and Yeshwanth Napolean and Jan van Gemert},
journal= {arXiv preprint arXiv:2104.02749},
year = {2021}
}