卡内基梅隆大学和丰田研究所合作开发的项目旨在使AI能够在物体被部分遮挡或不完全可见的情况下理解其完整结构。该技术使计算机能够像人一样，即使只能看到物体的一部分，也能识别并追踪其整体。这对于自动驾驶车辆尤为重要，能够在复杂环境中准确识别和追踪部分被遮挡的行人或车辆，提高驾驶的安全性和可靠性。
项目地址：https://tao-amodal.github.io
论文：https://arxiv.org/abs/2312.12433
GitHub：https://github.com/WesleyHsieh0806/TAO-Amodal
AIGC专区：https://heehel.com/category/aigc
更多消息：https://heehel.com/category/ai-news
这个项目能大幅提升计算机视觉系统的智能，让它们在处理遮挡物体时更加像人类，从而在自动驾驶、视频监控等领域发挥更大的作用。
为提高物体追踪技术他们专门设计了一个数据集——TAO-Amodal：
- 这数据集涵盖了大量视频序列，包含各种被遮挡或部分可见的物体，并提供详细标注信息。
- 这样的数据集使得AI能够更全面地理解和追踪那些我们只能看到部分的物体。
- 数据集规模庞大，包括880个多样的类别，覆盖数千个视频序列。
- 注释类型方面，数据集提供了完全不可见、部分出框和被遮挡物体的amodal（非模态）和modal（模态）边界框标注。
- TAO-Amodal 数据集的重点在于评估当前追踪器在遮挡推理方面的能力，通过实现对任何物体的Amodal感知（Amodal perception）来进行追踪。这使得模型能够更好地处理被遮挡的物体，提高追踪的鲁棒性。
Amodal Expander 插件：
- 该项目还引入了一个名为“Amodal Expander”的轻量级插件模块，旨在增强物体追踪器的性能。
- 传统的 Modal 追踪器主要关注物体可见部分，表现良好当物体完全显露在视野中。然而，当物体被遮挡或部分不可见时，Modal 追踪器可能失去准确性。
- Amodal 追踪器：相较之下，Amodal 追踪器能够理解和推断物体的完整形状，即使物体的一部分被遮挡或不完全可见。这意味着在复杂的视觉环境中，Amodal 追踪器能够更准确地追踪物体。
Amodal Expander 插件的主要功能是将标准的 Modal 追踪器转换为 Amodal 追踪器，通过在少量视频序列上微调追踪器实现。微调后的追踪器能够更有效地处理部分遮挡或不完全可见的物体，从而在追踪这些物体时更加准确和可靠。
在对 TAO-Amodal 数据集进行的测试中，该技术在检测和追踪被遮挡物体方面分别取得了3.3%和1.6%的改进。特别值得注意的是，在人物追踪方面，性能相较于现有的模态追踪技术提高了2倍。
https://heehel.com/more/ai-bulletin-board/clone-voice-sound-cloning-tool.html
https://heehel.com/aigc/midjourney-v6-video-effects.html
