通用监控场景标注规则

标注说明

 

标注范围说明:

要进行标记的对象:站着、坐着、蹲着、躺着、抱小孩、背小孩、容器购物车、婴儿车)中的小孩、走着的人、骑车人、推车和拉杆箱。

当出现以下情形时,不需标注:

1) 人体性别年龄无法区分时不需标注;

2) 头部或身体遮挡或截断超过50%及以上时不需标注;

3) 推车、拉杆箱存在50%及以上遮挡时,不标注推车及拉杆箱;当行人无法标注时,其推车及拉杆箱也不进行标注。

 

示例及说明:

  • 标注对象示例

 

图中1245需进行标注,3678910因遮挡过多,不进行人像标注

  • 同一人物会出现在不同的图片中,尽量不要进行重复标注

  • 抱小孩、背小孩的,大人小孩单独标注容器中(推车内、拉杆箱上)的小孩,小孩单独标容器单独标并与大人相关联

左图大人小孩单独标注,需拉两个标注框,标注框可重叠。

  • 标注框的大小说明

(1) (2) (3)

拉取标注框,框的大小要贴合标注的对象,如图1所示,图(2中的标注框过大,图(3中的标注框过小。

可标注对象遇到被遮挡情况,要按预估标注完整框;遇到被截断情况,需要标注可见区域。当遮挡或截断比例超过50%不进行标注。

 

标注属性说明:

“其它”表示属性可以清晰观测但是不在现有选项内

不明确表示标注人员无法观测到属性部分属性无法判断可选择不明确

  1. 类型行人骑车人。

    骑车人的车不作为附属进行标注。

  2. 遮挡:完全未遮挡、部分遮挡、大部分遮挡;

完全未遮挡(0%

部分遮挡(0%~20%

大部分遮挡(20%~50%);

 

红色标注的人被部分遮挡

  1. 截断:完全未截断、部分截断、大部分截断;

完全未截断(0%

部分截断(0%~20%

大部分截断(20%~50%

 

红色标注的人由于画面限制被部分截断

  1. 人脸能否看清:是、否;

  2. 身体朝向:正面、背面、左侧(包括左前、左后)、右侧(包括右前、右后)不明确具体朝向以标注人员视角为准

    (左侧)(右侧)(背面)

  3. 发型:光头、短发、长发、戴帽子、不明确

    头发在耳朵垂以上才算短发,头发在耳朵垂以下的全是长发;

  4. 眼镜:无眼镜、透明眼镜(包括只佩戴镜框)、墨镜(包括有色眼镜、不明确;

  5. 佩戴口罩佩戴口罩、佩戴口罩、不明确

  6. 性别:男、女;

    性别不明确不进行标注

  7. 年龄:婴儿、小孩、学生、青年、中年、老年;

    婴儿特指无法走路,还在手推车里的小孩(0-3)

    小孩指10岁以下(4-9)

    学生指初高中(10-18

    青年指大学生以上19-40

    中年(41-60

    老年(60上)

  8. 人种亚洲人白人黑人不明确

  9. 全身:是、否;

    可标注的人物穿着类似背带裤或者裙裤等从身体连到脚的衣服,全身属性选择”,当可以看清标注对象上衣下衣情况时包括及膝的连衣裙,也能看见裤子),全身属性选择

  10. 上衣类型:户外外套、西装外套、毛衣、t恤、衬衫、连帽衫、无袖上衣、披肩、其他、不明确;

    全身属性时,上衣类型选择不明确全身属性为上衣类型根据实际情况进行标注。

    上衣类型为多选框比如毛衣上披了披肩)如下图所示,外套和内衬均可进行选择

     

  11. 上衣颜色:黑、白、灰、橙、黄、绿、青(蓝绿色)、蓝、紫、洋红(红偏粉)、红、棕、其它(其它颜色)、不明确;

    上衣颜色无需考虑全身情况,依旧按照实际情况进行标注。

    按照图像中标注人员主观判断颜色占比,选取占比最大的颜色,如果是杂乱花纹就标注“其他”

    颜色均匀分布选择其它

    颜色属性比较多,不要选错。

  12. 上衣纹理:纯色、条纹、格子、大色块(主要颜色占大部分)、其它(其他纹理)、不明确;

    上衣纹理无需考虑全身情况,依旧按照实际情况进行标注。

    大色块代表某种颜色占据上衣大部分区域,如上衣外套是黑色,打底是白色,纹理为大色块;如上衣是黑色,包包的带子是白色且较宽面积大些,纹理也为大色块。

    上衣纯色遮挡很少纯色上衣佩带窄带的斜挎包)记为纯色

  13. 衣类型:下衣类型:长裤、短裤、长裙、短裙(以膝盖为界)、不明确;

    全身属性时,衣类型选择不明确全身属性为下衣类型根据实际情况进行标注。

    下衣如果光腿颜色标注其他,如果穿

推荐文章

人工智能时代下,数据标注不应该被陌生  人工智能的兴起带火了一系列与其相关的产业,数据标注作为其基础产业之一,也在人工智能的加持之下短短几年内迎来了飞速的发展。然而对于不少人来说,数据标注仍具是一个“盲区”。那么什么是数据标注,他又是如何助力人工智能发展的呢?         要想了解数据标注,首先需要了解人工智能的学习方法。监督学习是目前应用最广泛的机器学习算法,该方法强依赖标注数据,它通过学习大量标注的训练样本来构建预测模型。深度学习也需要大量数据的“投喂”,以深度学习为代表的机器学习框架都需要在大型的监督数据集上进行训练,百分点首席算法科学家苏海波曾表示,深度学习只有在拥有充足标注数据的场景下才能发挥它的威力,但在很多实际的应用中却没有足够的标注数据。  《2019 年中国人工智能基础数据服务行业白皮书》分析指出,2010-2016 年为数据服务行业的“初生期”,早期数据标注需求激增,加之入行门槛低,涌入了大量玩家,鱼龙混杂。  自 2017 年以来,伴随着 AI 深入落地到各个应用场景中,数据标注行业了进入成长期,上层应用端的厂商对数据标注质的要求不断提高,如自动驾驶、运动图像、计算机视觉等领域的数据标注难度很高。  行业格局渐渐清晰,马太效应明显。据了解,国内从事数据标注业务团队约有几百家,其中独立做整个数据质量服务的约百余家,能够提供数据采标服务一体化的有几十家,能够提供高标准基础数据服务的仅有十几家。  这些意味这目前,数据标注行业仍旧处于一个快速发展的阶段,整体在朝着个性化、专业化的方向发展,从早期较简单的、通用的数据过渡到更复杂的个性化的、场景化的数据,对于很多细分领域,需要大量真实的模型进行标注去迭代模型。    行业的发展核心内驱力是人才。在数据标注行业飞速发展的背景之下,如何加强人才的培养和输出,为行业提供更多人才成为了目前亟待解决的问题。AI优评结合相关部门,对于数据标注人才的培养建立起了一整套科学专业的评价体系,并直接对接到用人单位,为行业输送人才,保障行业的发展。相信在努力之下,未来,数据标注将会以一个全新的面貌展现在所有人的面前。

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。