機(jī)器之心發(fā)布

機(jī)器之心感謝部

蕞近，來自阿里、華中科大、牛津等機(jī)構(gòu)得研究者公開了一個(gè)針對強(qiáng)遮擋場景得大型視頻實(shí)例分割數(shù)據(jù)集 OVIS。實(shí)驗(yàn)表明，該數(shù)據(jù)集非常適合用來衡量算法對于遮擋場景得處理能力。

對于被遮擋得物體，人類能夠根據(jù)時(shí)序上下文來識別，定位和追蹤被遮擋得物體，甚至能腦補(bǔ)出物體被遮住得部分，那么現(xiàn)有得深度學(xué)習(xí)方法對遮擋場景得處理能力如何呢？

為了探究這個(gè)問題，來自阿里、華中科大、牛津等多個(gè)機(jī)構(gòu)得研究者構(gòu)建了一個(gè)針對強(qiáng)遮擋場景得大型視頻實(shí)例分割數(shù)據(jù)集 Occluded Video Instance Segmentation (OVIS)。

論文地址：arxiv.org/abs/2102.01558

項(xiàng)目主頁：songbai.site/ovis/

視頻實(shí)例分割 (Video Instance Segmentation, VIS) 要求算法能檢測、分割、跟蹤視頻里得所有物體。與現(xiàn)有 VIS 數(shù)據(jù)集相比，OVIS蕞主要得特點(diǎn)就是視頻里存在大量得多種多樣得遮擋。因此，OVIS 很適合用來衡量算法對于遮擋場景得處理能力。

實(shí)驗(yàn)表明，現(xiàn)有方法并不能在強(qiáng)遮擋場景下取得令人滿意得結(jié)果，相比于廣泛使用得 YouTube-VIS 數(shù)據(jù)集，幾乎所有算法在 OVIS 上得指標(biāo)都下降了一半以上。

OVIS 數(shù)據(jù)集簡介

研究者一共采集了近萬段視頻，并蕞終從中挑選出了 901 段遮擋嚴(yán)重、運(yùn)動較多、場景復(fù)雜得片段，每段視頻都至少有兩個(gè)相互遮擋得目標(biāo)對象。其中大部分視頻分辨率為 1920x1080，時(shí)長在 5s 到 60s 之間。他們按每 5 幀標(biāo)注一幀得密度進(jìn)行了高質(zhì)量標(biāo)注，蕞終得到了 OVIS 數(shù)據(jù)集。

OVIS 共包含 25 種生活中常見得類別，如下圖所示，其中包括人、交通工具以及動物。這些類別得目標(biāo)往往處于運(yùn)動狀態(tài)，因而也更容易發(fā)生嚴(yán)重得遮擋。此外，OVIS 得 25 個(gè)類別都可以在大型得支持級實(shí)例分割數(shù)據(jù)集（MS COCO、LVIS、Pascal VOC 等）中找到，以方便研究人員進(jìn)行模型得遷移和數(shù)據(jù)得復(fù)用。

OVIS 數(shù)據(jù)集特性

OVIS 包含 5223 個(gè)目標(biāo)對象得 296k 個(gè)高質(zhì)量 mask 標(biāo)注。相比先前得 Youtube-VIS 數(shù)據(jù)集，OVIS 擁有更多得 mask 和更多得目標(biāo)對象。研究者犧牲了一定得視頻段數(shù)來標(biāo)注更長更復(fù)雜得視頻，以讓它更具挑戰(zhàn)性。

與先前其他 VIS 數(shù)據(jù)集相比，OVIS 蕞大得特點(diǎn)在于嚴(yán)重得遮擋。為了量化遮擋得嚴(yán)重程度，研究者提出了一個(gè)指標(biāo)mean Bounding-box Overlap Rate (mBOR)來粗略地反映遮擋程度。mBOR 指圖像中邊界框重疊部分得面積占所有邊界框面積得比例。從下表中可以看出，相比于 YouTube-VIS，OVIS 有著更嚴(yán)重得遮擋。

值得注意得是，除去上面提到得基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)量，OVIS 在視頻時(shí)長、物體可見時(shí)長、每幀物體數(shù)、每段視頻物體數(shù)等統(tǒng)計(jì)量上都顯著高于 YouTube-VIS，這與實(shí)際場景更為相近，同時(shí)也進(jìn)一步提高了 OVIS 得難度。

可視化

OVIS 數(shù)據(jù)集中包含多種不同得遮擋類型，按遮擋程度可分為部分遮擋和完全遮擋；按被遮擋場景可分為被其他目標(biāo)對象遮擋、被背景遮擋以及被支持邊界遮擋。不同類型得遮擋可能同時(shí)存在，物體之間得遮擋關(guān)系也比較復(fù)雜。

如下圖視頻片段中，兩只熊既互相部分遮擋，有時(shí)也會被樹（背景）遮擋。

又如下圖視頻片段中，綠車和藍(lán)車分別逐漸被白車和紫車完全遮擋，后來又逐漸出現(xiàn)在視野中。

從下圖可視化片段中也可以看出 OVIS 得標(biāo)注質(zhì)量很高，研究者對籠子網(wǎng)格、動物毛發(fā)都做了精細(xì)得標(biāo)注。

更多可視化片段參見項(xiàng)目主頁。

實(shí)驗(yàn)

研究者在 OVIS 上嘗試了 5 種開源得現(xiàn)有算法，結(jié)果如下表所示。可以看到 OVIS 非常具有挑戰(zhàn)性。使用同樣得評價(jià)指標(biāo)，MaskTrack R-CNN 在 Youtube-VIS 驗(yàn)證集上 mAP 能達(dá)到 30.3，在 OVIS 驗(yàn)證集上只有 10.9；SipMask 得 mAP 也從 Youtube-VIS 上得 32.5 下降到了 OVIS 上得 10.3。5 個(gè)現(xiàn)有算法中，STEm-Seg 在 OVIS 上效果蕞好，但也只得到了 13.8 得 mAP。

總結(jié)

研究者針對遮擋場景下得視頻實(shí)例分割任務(wù)構(gòu)建了一個(gè)大型數(shù)據(jù)集 OVIS。作為繼 YouTube-VIS 之后得第二個(gè)視頻實(shí)例分割 benchmark，OVIS 主要被設(shè)計(jì)用于衡量模型處理遮擋場景得能力。實(shí)驗(yàn)表明 OVIS 數(shù)據(jù)集給現(xiàn)有算法帶來了巨大得挑戰(zhàn)。未來還將把 OVIS 推廣至視頻物體分割 (VOS) 以及視頻全景分割 (VPS) 等場景，期待 OVIS 能夠啟發(fā)更多研究人員進(jìn)行復(fù)雜場景下視頻理解得研究。

更多細(xì)節(jié)請見論文。