Semi-automatic Data Annotation System for Multi-Target Multi-Camera Vehicle Tracking

要約

マルチターゲット マルチカメラ トラッキング (MTMCT) は、インテリジェントなビデオ分析、監視ビデオの取得、およびその他のアプリケーション シナリオで重要な役割を果たします。
現在、深層学習ベースの MTMCT が主流であり、トラッキングの精度と効率に関して目を見張るほどの改善を達成しています。
ただし、私たちの調査によると、現実世界のアプリケーション シナリオに焦点を当てたデータセットが不足しているため、現在の学習ベースの MTMCT モデルのさらなる改善が制限されています。
具体的には、一般的なデータセットによる学習ベースの MTMCT モデルのトレーニングは、通常、実際のアプリケーション シナリオで満足のいく結果を達成することはできません。
これに動機付けられて、この論文では、現実世界の MTMCT データセットの確立を容易にする半自動データ注釈システムを提示します。
提案されたシステムは、最初に深層学習ベースの単一カメラ軌跡生成方法を採用して、監視ビデオから軌跡を自動的に抽出します。
続いて、システムは、次の手動のクロスカメラ軌跡マッチング プロセスで推奨リストを提供します。
おすすめリストは、カメラの位置、タイムスタンプの関係、背景シーンなどのサイド情報に基づいて生成されます。
実験段階では、広範な結果が提案されたシステムの効率をさらに実証します。

要約(オリジナル)

Multi-target multi-camera tracking (MTMCT) plays an important role in intelligent video analysis, surveillance video retrieval, and other application scenarios. Nowadays, the deep-learning-based MTMCT has been the mainstream and has achieved fascinating improvements regarding tracking accuracy and efficiency. However, according to our investigation, the lacking of datasets focusing on real-world application scenarios limits the further improvements for current learning-based MTMCT models. Specifically, the learning-based MTMCT models training by common datasets usually cannot achieve satisfactory results in real-world application scenarios. Motivated by this, this paper presents a semi-automatic data annotation system to facilitate the real-world MTMCT dataset establishment. The proposed system first employs a deep-learning-based single-camera trajectory generation method to automatically extract trajectories from surveillance videos. Subsequently, the system provides a recommendation list in the following manual cross-camera trajectory matching process. The recommendation list is generated based on side information, including camera location, timestamp relation, and background scene. In the experimental stage, extensive results further demonstrate the efficiency of the proposed system.

arxiv情報

著者 Haohong Liao,Silin Zheng,Xuelin Shen,Mark Junjie Li,Xu Wang
発行日 2022-09-20 10:37:38+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク