Concept
컴퓨터 비전 기반 딥러닝 기술의 성장과 함께 객체 추적(Tracking) 알고리즘이 발전하고 있습니다. 특히, 객체 탐지 성능이 좋아지며 최근에는 단일 객체가 아닌, 다중 객체 추적 (MOT : Multi - Object Tracking) 이 주요 과제로 자리하고 있습니다.
최근 MOT의 트렌드는 CNN 기반 특징맵, 예측 필터, 그래프 모델 등을 융합하는 방식으로 성능을 향상시키고 있으며, 이와 관련된 다양한 평가 데이터가 공개되어있습니다.
현재 작성중은 논문을 정리하면서, 알고리즘과 데이터를 포스팅으로 남기려 합니다. 이번 포스팅은 MOT 성능평가로 활용되는 대표적인 데이터 MOT Challenge Dataset을 다운받는 기본적인 방법입니다.
MOT Dataset
MOT Challenge
In the recent past, the computer vision community has relied on several centralized benchmarks for performance evaluation of numerous tasks including object detection, pedestrian detection, 3D reconstruction, optical flow, single-object short-term tracking
motchallenge.net
MOT Challenge 데이터는 현재 많은 학회에서 경쟁 데이터로 활용되고 있으며, 홈페이지에 데이터 다운로드는 물론, 알고리즘에 따른 평가 결과를 직관적으로 확인할 수 있습니다.
MOT 데이터는 연도별로 추가되거나 수정된 버전이 나눠져있습니다. 대표적인 데이터는 표와 같습니다.
| DATASET | MOT15 | MOT16 | MOT17 | MOT20 |
| TRAIN SET | 프레임: 5000 트랙 : 500 경계상자 : 39905 밀도 : 7.3 |
프레임: 5316 트랙 : 517 경계상자 : 110407 밀도 : 20.8 |
프레임: 15948 트랙 : 1638 경계상자 : 336891 밀도 : 21.1 |
프레임: 8931 트랙 : 2332 경계상자 : 1336920 밀도 : 149.7 |
| TEST SET | 프레임: 5783 트랙 : 721 경계상자 : 61440 밀도 : 10.6 |
프레임: 5919 트랙 : 759 경계상자 : 182326 밀도 : 30.8 |
프레임: 17757 트랙 : 2355 경계상자 : 564228 밀도 : 31.8 |
프레임: 4479 트랙 : 1501 경계상자 : 765465 밀도 : 170.9 |
| DETECTOR | ACF-based Detector | ACF-based Detector Faster-RCNN DPM |
SDP Faster-RCNN + DPM + |
Faster R-CNN ++ |
| Download | 데이터 (1.3GB) 클래스 (3.7MB) |
데이터 (1.9GB) 클래스 (3.2 MB) |
데이터 (5.5GB) 클래스 (9.7MB) |
데이터 (5.0GB) 클래스 (13.9MB) |
최신 MOT 데이터가 평가에 좋은건 아닙니다. 데이터 마다 서로 다른 특징과 중점으로 해결하고자하는 문제가 있으니 보다 자세한 사항은 홈페이지 또는 데이터 논문을 참고하시기 바랍니다.
Your Best AI Partner DEEP.I
AI 바우처 공급 기업
객체 추적 및 행동 분석 솔루션 | 제조 생산품 품질 검사 솔루션 | AI 엣지 컴퓨팅 시스템 개발
인공지능 프로젝트 개발 외주 및 상담
E-mail: contact@deep-i.ai
Site: www.deep-i.ai
딥아이 DEEP.I | AI 기반 지능형 기업 솔루션
딥아이는 AI 기술의 정상화라는 목표를 갖고, 최첨단 딥러닝 기술 기반의 기업 솔루션을 제공하고 있으며, 이를 통해 고도의 AI 기반 객체 탐지, 분석, 추적 기능을 통합하여 다양한 산업 분야에
deep-i.ai