SPAMming Labels: Efficient Annotations for the Trackers of Tomorrow

提高从视频中轨迹注释的效率，有望使下一代数据密集型跟踪算法在大规模数据集上发挥作用。尽管这项任务的重要性，目前很少有工作探索如何全面高效地标记跟踪数据集。在这项工作中，我们介绍了SPAM，这是一个跟踪数据引擎，可以在最小的人工干预下提供高质量的标签。SPAM建立在两个关键见解的基础上：i）大多数跟踪场景可以轻松解决。为了利用这一点，我们利用预训练模型生成高质量的伪标签，仅在更难的情况下保留人类介入的子集；ii）处理跨时间轴的轨迹注释的时空依赖关系可以通过图形优雅而有效地表述。因此，我们使用统一的图形表述来解决对检测和跨时间轴的轨迹的身份关联的注释。基于这些见解，SPAM以少量的标记成本产生高质量的注释。我们证明，使用SPAM标签训练的跟踪器的性能与使用人工注释训练的跟踪器相当，但只需要3-20%的人工标注工作量。因此，SPAM为大规模跟踪数据集的高效标注铺平了道路。我们的代码和模型将在接受后提供。

如何提高视频轨迹注释的效率，以便在大规模数据集上使用数据密集型跟踪算法？

SPAM是一个跟踪数据引擎，它利用预先训练的模型生成高质量的伪标签，仅在更困难的情况下保留人类干预。通过使用统一的图形式来解决跨时间的检测和身份关联的轨迹注释，SPAM能够高效地生成高质量的注释。

SPAM可以在仅需3-20%的人工标注成本下生成与人工标注相当的跟踪器。作者提供了代码和模型。

近期的相关研究包括：1）DeepSORT：基于深度学习的多目标跟踪器；2）FairMOT：一种公平的目标跟踪器；3）TrackR-CNN：一种用于检测和跟踪的两阶段框架。