稀疏监督的对象跟踪
概括
训练强大的视觉对象追踪器现在可以在最小的手动标签下进行. 一个新的SParsely-supervised Object Tracking (SPOT) 框架使用了很少的注释框来有效地训练追踪器,从而减少了注释负担.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度视觉对象追踪器实现了高性能,但需要大量的手动注释.
- 需要数以百万计的序列标签对监督培训提出了重大挑战.
研究的目的:
- 开发一种训练强大的视觉对象追踪器的方法,使用有限的手动注释.
- 挑战视频对象跟踪中的对标签的必要性.
主要方法:
- 引入SParsely-supervised Object Tracking (SPOT) 框架. 这是一个很少监督的目标跟踪框架.
- 使用稀有注释的边界框作为点来发现未标记的目标.
- 采用一个教师-学生范式,用于监督的过渡性一致性.
- 包括IOU过,不对称增强和时间校准来提高训练强度.
主要成果:
- 使用SPOT训练的追踪器实现了与完全监督的方法可比的性能,每视频使用的标签少于5个.
- 在有限的标签预算下,SPOT有效地利用大规模的视频数据集.
- 当与目标发现模块集成时,SPOT可以从纯粹没有标签的视频中学习.
结论:
- SPOT为标签效率高的深度跟踪提供了一个实用的解决方案.
- 该框架允许有效地利用大型视频数据集,而注释的努力最小.
- SPOT鼓励对深度追踪研究的注释原则进行转变.
更多相关视频
08:13SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware
Published on: December 25, 2017
8.2K
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
9.0K
