SPAM标记：面向未来跟踪器的高效标注
计算机视觉与模式识别
2024-12-16 v3
摘要
提高轨迹视频标注的标注效率有潜力，使下一代数据驱动型跟踪算法能够在大规模数据集上取得佳绩。尽管此任务至关重要，但目前几乎没有工作探索如何高效地全面标注跟踪数据集。本文引入SPAM（SPAMming Labels），一个视频标注引擎，提供高质量标签，需最少的人工干预。SPAM建立在两个关键见解之上：i）大多数跟踪场景都很容易解决。为此，我们利用预训练模型生成高质量伪标签，仅对更难的实例保留人工参与；ii）通过图论优雅且高效地处理轨迹标注在时间上的时空依赖性。因此，我们使用统一的图论 formulation 同时处理检测和身份关联。基于这些见解，SPAM以极少的ground truth标注成本即可产出高质量标注。我们展示，训练SPAM标签的跟踪器性能与人工标注相当，仅需人工标注工作量的3-20%。因此，SPAM为大规模跟踪数据集的高效标注铺平了道路。我们公开所有模型和代码。
引用
@article{arxiv.2404.11426,
title = {SPAMming Labels: Efficient Annotations for the Trackers of Tomorrow},
author = {Orcun Cetintas and Tim Meinhardt and Guillem Brasó and Laura Leal-Taixé},
journal= {arXiv preprint arXiv:2404.11426},
year = {2024}
}
备注
ECCV 2024