SOMPT22: A Surveillance Oriented Multi-Pedestrian Tracking Dataset

要約

マルチオブジェクト・トラッキング（MOT）は、過去10年間、検出に関する畳み込みニューラルネットワーク（CNN）の成功により、検出アプローチによる追跡が主流となっている。データセットやベンチマークサイトが公開されるにつれ、研究の方向性はトラッキング中のオブジェクトの再識別（reID）を含む一般的なシナリオで最高の精度をもたらす方向にシフトしている。本研究では、歩行者に特化したデータセットを提供することで監視のためのMOTの範囲を狭め、実世界のアプリケーションにおける最新技術（SOTA）の弱点と強みを観察するために、よく機能する多物体トラッカーの詳細な分析に重点を置く。この目的のために、我々はSOMPT22データセットを導入します。これは、都市監視用に設置された高さ6～8mのポール上の静止カメラから撮影された、注釈付きの短いビデオを用いた多人数追跡のための新しいデータセットです。このデータセットは、公共のMOTデータセットと比較して、屋外監視のためのMOTのベンチマークを提供します。この新しいデータセットを用いて、検出と再識別ネットワークの使用方法に関して、ワンショットと2ステージに分類されるMOTトラッカーを分析します。新しいデータセットの実験結果から、SOTAはまだ高効率には程遠く、ワンショットトラッカーは高速実行と精度を統一し、競争力のある性能を発揮する良い候補であることが示されました。データセットはsompt22.github.ioで公開される予定です。

要約(オリジナル)

Multi-object tracking (MOT) has been dominated by the use of track by detection approaches due to the success of convolutional neural networks (CNNs) on detection in the last decade. As the datasets and bench-marking sites are published, research direction has shifted towards yielding best accuracy on generic scenarios including re-identification (reID) of objects while tracking. In this study, we narrow the scope of MOT for surveillance by providing a dedicated dataset of pedestrians and focus on in-depth analyses of well performing multi-object trackers to observe the weak and strong sides of state-of-the-art (SOTA) techniques for real-world applications. For this purpose, we introduce SOMPT22 dataset; a new set for multi person tracking with annotated short videos captured from static cameras located on poles with 6-8 meters in height positioned for city surveillance. This provides a more focused and specific benchmarking of MOT for outdoor surveillance compared to public MOT datasets. We analyze MOT trackers classified as one-shot and two-stage with respect to the way of use of detection and reID networks on this new dataset. The experimental results of our new dataset indicate that SOTA is still far from high efficiency, and single-shot trackers are good candidates to unify fast execution and accuracy with competitive performance. The dataset will be available at: sompt22.github.io

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL