論文の概要: MUDD: A New Re-Identification Dataset with Efficient Annotation for Off-Road Racers in Extreme Conditions

• arxiv url: http://arxiv.org/abs/2311.08488v1
• Date: Tue, 14 Nov 2023 19:31:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 18:45:21.135581
• Title: MUDD: A New Re-Identification Dataset with Efficient Annotation for Off-Road Racers in Extreme Conditions
• Title（参考訳）: MUDD:極端条件下でのオフロードレーサーの効率的なアノテーション付き新しい再同定データセット
• Authors: Jacob Tyo, Motolani Olarinre, Youngseog Chung, Zachary C. Lipton
• Abstract要約: 制約のない環境での個人の再識別は、コンピュータビジョンにおけるオープンな課題である。 オフロード競技におけるオートバイレーサーの身元をマッチングするための,最初の大規模ベンチマークである Muddy Racer re-IDentification dataset (MUDD) を紹介する。
• 参考スコア（独自算出の注目度）: 38.719032057630024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Re-identifying individuals in unconstrained environments remains an open challenge in computer vision. We introduce the Muddy Racer re-IDentification Dataset (MUDD), the first large-scale benchmark for matching identities of motorcycle racers during off-road competitions. MUDD exhibits heavy mud occlusion, motion blurring, complex poses, and extreme lighting conditions previously unseen in existing re-id datasets. We present an annotation methodology incorporating auxiliary information that reduced labeling time by over 65%. We establish benchmark performance using state-of-the-art re-id models including OSNet and ResNet-50. Without fine-tuning, the best models achieve only 33% Rank-1 accuracy. Fine-tuning on MUDD boosts results to 79% Rank-1, but significant room for improvement remains. We analyze the impact of real-world factors including mud, pose, lighting, and more. Our work exposes open problems in re-identifying individuals under extreme conditions. We hope MUDD serves as a diverse and challenging benchmark to spur progress in robust re-id, especially for computer vision applications in emerging sports analytics. All code and data can be found at https://github.com/JacobTyo/MUDD.
• Abstract（参考訳）: 制約のない環境での個人の再識別は、コンピュータビジョンにおけるオープンな課題である。 オフロード競技におけるオートバイレーサーの同一性マッチングのための,最初の大規模ベンチマークである Muddy Racer re-IDentification Dataset (MUDD) を紹介する。 MUDDは、既存のre-idデータセットには見られない重い泥の閉塞、動きのぼかし、複雑なポーズ、極端な照明条件を示す。 本稿では,ラベリング時間を65%以上短縮する補助情報を含むアノテーション手法を提案する。 我々はOSNetやResNet-50といった最先端のre-idモデルを用いてベンチマーク性能を確立する。 微調整がなければ、最高のモデルは33%のランク1の精度しか達成できない。 MUDDの微調整により79%のランク1に向上するが、改善の余地は残されている。 我々は泥、ポーズ、照明など現実世界の要因の影響を分析する。 我々の研究は、極度の条件下で個人を再識別する際のオープンな問題を露呈する。 MUDDは、特に新興スポーツ分析におけるコンピュータビジョンアプリケーションにおいて、堅牢なリIDの進展を加速するための多様かつ挑戦的なベンチマークとして機能することを願っている。 すべてのコードとデータはhttps://github.com/JacobTyo/MUDDで確認できる。

関連論文リスト

• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• Kick Back & Relax++: Scaling Beyond Ground-Truth Depth with SlowTV & CribsTV [50.616892315086574]
  本稿では,SlowTV と CribsTV の2つの新しいデータセットを提案する。 これらは、一般公開されているYouTubeビデオから収集された大規模なデータセットで、合計200万のトレーニングフレームが含まれている。 我々はこれらのデータセットを活用し、ゼロショット一般化の難しい課題に取り組む。
  論文  参考訳（メタデータ） (2024-03-03T17:29:03Z)
• Beyond the Mud: Datasets and Benchmarks for Computer Vision in Off-Road Racing [38.719032057630024]
  オフロードバイクレーサーナンバーデータセットとMuddy Racerの再iDentificationデータセットは、オフロード競技中に6300枚以上の画像が撮影された。 オフザシェルフモデルはトランスファーが悪く、テキストスポッティングでは15%のエンドツーエンド(E2E)F1スコア、ReIDでは33%のランク1精度に達した。 微調整が大幅に改善され、E2EテキストスポッティングのF1スコアが53%、ReIDのランク1精度が79%に向上した。
  論文  参考訳（メタデータ） (2024-02-12T19:42:05Z)
• Contrastive Multiple Instance Learning for Weakly Supervised Person ReID [50.04900262181093]
  本稿では、より効果的に教師付きされたReIDに適した新しいフレームワークであるContrastive Multiple Instance Learning (CMIL)を紹介する。 CMILは、対照的な損失を生かしながら、単一のモデルと擬似ラベルを必要とせず、自分自身を区別する。 PerformancePhoto.coの実際のアプリケーションから自然に発生する弱いラベルを特徴とするMUDDデータセットの拡張であるWL-MUDDデータセットをリリースする。
  論文  参考訳（メタデータ） (2024-02-12T14:48:31Z)
• Weakly Supervised Semantic Segmentation for Driving Scenes [27.0285166404621]
  弱教師付きセマンティックセグメンテーション(WSSS)における最先端技術は、駆動シーンデータセットに深刻な性能劣化を示す。 シーンデータセットの駆動に適した新しいWSSSフレームワークを開発した。
  論文  参考訳（メタデータ） (2023-12-21T08:16:26Z)
• A Strong Baseline for Vehicle Re-Identification [1.9573380763700712]
  vehicle re-idは、異なるカメラで同じ車両を識別することを目指している。 本稿では、まず車両再ID性能を阻害する主な要因を分析します。 次に、第5回AIチャレンジのトラック2をターゲットとしたソリューションを紹介します。
  論文  参考訳（メタデータ） (2021-04-22T03:54:55Z)
• Unsupervised Pre-training for Person Re-identification [90.98552221699508]
  大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。 学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
  論文  参考訳（メタデータ） (2020-12-07T14:48:26Z)
• Fine-Grained Re-Identification [1.8275108630751844]
  本稿では,画像とビデオのReIDを統一する最初のモデルのひとつとして,計算効率のよいReIDモデルFGReIDを提案する。 FGReIDは、ビデオベースの事前学習と空間的特徴の注意を生かして、ビデオと画像の両方のReIDタスクのパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2020-11-26T21:04:17Z)
• Psychophysical Evaluation of Deep Re-Identification Models [0.0]
  我々はReIDコミュニティを,モデルeval-uationにおけるコンピュータビジョン研究の誕生した領域に導入する。 我々は、ReIDalgorithmを使用する現実の自律走行車条件を反映する、新しいReIDデータセットであるNuscenesReIDを紹介する。
  論文  参考訳（メタデータ） (2020-04-28T17:11:50Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。