研究人员开发了QPID（Query-Propagation Instability and Diversity），一种新颖的剪辑级主动学习方法，旨在降低多目标跟踪（MOT）模型数据标注的成本。QPID专注于识别和选择在传播轨迹状态中表现出关联不稳定的视频剪辑，这是以往依赖输出级时间不确定性进行选择的方法常常忽略的一个因素。通过扰动内部轨迹状态并测量预测差异，QPID量化不稳定性并选择多样化、信息量大的剪辑进行标注，在与MeMOTR和SambaMOTR等模型结合使用时，在DanceTrack和SportsMOT等数据集上表现出强大的性能。 AI
影响 该方法可以显著降低创建高质量多目标跟踪数据集的成本和精力，从而可能加速该领域的研究和开发。
排序理由 该集群描述了一篇详细介绍多目标跟踪中主动学习新方法的论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Training query-propagation end-to-end multi-object tracking (MOT) models requires dense bounding-box and identity annotations across video sequences, making dataset construction expensive. Clip-level active learning reduces this cost by selecting video clips for annotation, but p…
arXiv:2608.17224v1 Announce Type: new Abstract: Training query-propagation end-to-end multi-object tracking (MOT) models requires dense bounding-box and identity annotations across video sequences, making dataset construction expensive. Clip-level active learning reduces this cos…