MUDD：一种面向极端条件下越野赛车手的高效标注重识别新数据集
计算机视觉与模式识别
2023-11-16 v1
摘要
在非受限环境中对个体进行重识别仍是计算机视觉领域一个开放的挑战。我们引入了 Muddy Racer 重识别数据集（MUDD），这是首个用于匹配越野摩托车赛事中赛车手身份的大规模基准。MUDD 呈现出严重的泥污遮挡、运动模糊、复杂姿态以及现有重识别数据集中未曾出现的极端光照条件。我们提出了一种结合辅助信息的标注方法，将标注时间减少了超过 65%。我们使用包括 OSNet 和 ResNet-50 在内的当前最优重识别模型建立了基准性能。在未微调的情况下，最佳模型仅达到 33% 的 Rank-1 准确率。在 MUDD 上微调将结果提升至 79% Rank-1，但仍有显著的改进空间。我们分析了泥污、姿态、光照等现实因素的影响。我们的工作揭示了极端条件下个体重识别的开放问题。我们希望 MUDD 能作为一个多样且具挑战性的基准，推动鲁棒重识别的发展，尤其是面向新兴体育分析中的计算机视觉应用。所有代码与数据可在 https://github.com/JacobTyo/MUDD 获取。
引用
@article{arxiv.2311.08488,
title = {MUDD: A New Re-Identification Dataset with Efficient Annotation for Off-Road Racers in Extreme Conditions},
author = {Jacob Tyo and Motolani Olarinre and Youngseog Chung and Zachary C. Lipton},
journal= {arXiv preprint arXiv:2311.08488},
year = {2023}
}