論文の概要: RetinaTrack: Online Single Stage Joint Detection and Tracking
- arxiv url: http://arxiv.org/abs/2003.13870v1
- Date: Mon, 30 Mar 2020 23:46:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 07:26:49.198048
- Title: RetinaTrack: Online Single Stage Joint Detection and Tracking
- Title(参考訳): RetinaTrack:オンラインの単一ステージ共同検出と追跡
- Authors: Zhichao Lu, Vivek Rathod, Ronny Votel, Jonathan Huang
- Abstract要約: 両タスクがミッションクリティカルな自律運転におけるトラッキング・バイ・検出パラダイムに注目した。
本稿では、一般的な単一ステージのRetinaNetアプローチを改良したRetinaTrackと呼ばれる、概念的にシンプルで効率的な検出と追跡のジョイントモデルを提案する。
- 参考スコア(独自算出の注目度): 22.351109024452462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditionally multi-object tracking and object detection are performed using
separate systems with most prior works focusing exclusively on one of these
aspects over the other. Tracking systems clearly benefit from having access to
accurate detections, however and there is ample evidence in literature that
detectors can benefit from tracking which, for example, can help to smooth
predictions over time. In this paper we focus on the tracking-by-detection
paradigm for autonomous driving where both tasks are mission critical. We
propose a conceptually simple and efficient joint model of detection and
tracking, called RetinaTrack, which modifies the popular single stage RetinaNet
approach such that it is amenable to instance-level embedding training. We
show, via evaluations on the Waymo Open Dataset, that we outperform a recent
state of the art tracking algorithm while requiring significantly less
computation. We believe that our simple yet effective approach can serve as a
strong baseline for future work in this area.
- Abstract(参考訳): 従来のマルチオブジェクト追跡とオブジェクト検出は別システムで行われており、以前の研究のほとんどはこれらのうちの1つにのみ焦点を当てている。
しかし、追跡システムは正確な検出にアクセスできることの恩恵は明らかであり、検知器がトラッキングの恩恵を受けるという文献には、例えば時間の経過とともにスムーズな予測に役立てることができるという証拠がたくさんある。
本稿では,両タスクがミッションクリティカルな自律運転におけるトラッキング・バイ・検出パラダイムに着目した。
本稿では,概念的にシンプルで効率的な検出と追跡のジョイントモデルであるRetinaTrackを提案する。
waymo open datasetの評価を通じて,最近のart trackingアルゴリズムをはるかに少ない計算量で上回っていることを示す。
私たちは、この領域における将来の作業の強力なベースラインとして、シンプルで効果的なアプローチが役立つと信じています。
関連論文リスト
- Dense Optical Tracking: Connecting the Dots [82.79642869586587]
DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。
OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
論文 参考訳(メタデータ) (2023-12-01T18:59:59Z) - QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple
Object Tracking [73.52284039530261]
本稿では,コントラスト学習のために,画像上に数百のオブジェクト領域を密集した擬似Dense類似性学習を提案する。
得られた特徴空間は、オブジェクトアソシエーションの推論時間において、単純な近接探索を許容する。
我々の類似性学習方式は,ビデオデータに限らず,静的入力でも有効なインスタンス類似性を学ぶことができることを示す。
論文 参考訳(メタデータ) (2022-10-12T15:47:36Z) - A Bayesian Detect to Track System for Robust Visual Object Tracking and
Semi-Supervised Model Learning [1.7268829007643391]
ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。
本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。
粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
論文 参考訳(メタデータ) (2022-05-05T00:18:57Z) - Exploring Simple 3D Multi-Object Tracking for Autonomous Driving [10.921208239968827]
LiDARポイントクラウドにおける3Dマルチオブジェクトトラッキングは、自動運転車にとって重要な要素である。
既存の手法は、主にトラッキング・バイ・検出パイプラインに基づいており、検出アソシエーションのマッチングステップが必然的に必要である。
我々は,手作りの追跡パラダイムをシンプルにするために,原点雲からの共同検出と追跡のためのエンドツーエンドのトレーニング可能なモデルを提案する。
論文 参考訳(メタデータ) (2021-08-23T17:59:22Z) - Tracking by Joint Local and Global Search: A Target-aware Attention
based Approach [63.50045332644818]
本研究では、ロバストな追跡のための局所的・グローバルな共同探索を行うための新たな目標認識型アテンション機構(TANet)を提案する。
具体的には、ターゲットオブジェクトパッチと連続ビデオフレームの特徴を抽出し、それらをデコーダネットワークに追従して、ターゲットを意識したグローバルアテンションマップを生成する。
追跡手順において、ロバストな追跡のための候補探索領域を探索することにより、ターゲット認識の注意を複数のトラッカーと統合する。
論文 参考訳(メタデータ) (2021-06-09T06:54:15Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳(メタデータ) (2021-04-23T17:59:28Z) - Model-free Vehicle Tracking and State Estimation in Point Cloud
Sequences [17.351635242415703]
モデルフリーの単一オブジェクト追跡(SOT)という、この問題の新しい設定について研究する。
SOTは第1フレームのオブジェクト状態を入力とし、その後のフレームにおける状態推定と追跡を共同で解決する。
そこで我々は,点群登録,車両形状,動作優先度に基づく最適化アルゴリズムSOTrackerを提案する。
論文 参考訳(メタデータ) (2021-03-10T13:01:26Z) - DEFT: Detection Embeddings for Tracking [3.326320568999945]
我々は,DEFT と呼ばれる効率的な関節検出・追跡モデルを提案する。
提案手法は,外見に基づくオブジェクトマッチングネットワークと,下層のオブジェクト検出ネットワークとの協調学習に依存している。
DEFTは2Dオンライントラッキングリーダーボードのトップメソッドに匹敵する精度とスピードを持っている。
論文 参考訳(メタデータ) (2021-02-03T20:00:44Z) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳(メタデータ) (2020-04-16T06:43:11Z) - FairMOT: On the Fairness of Detection and Re-Identification in Multiple
Object Tracking [92.48078680697311]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。
本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。
このアプローチは、検出と追跡の両方において高い精度を達成する。
論文 参考訳(メタデータ) (2020-04-04T08:18:00Z) - Unsupervised Multiple Person Tracking using AutoEncoder-Based Lifted
Multicuts [11.72025865314187]
最小限の視覚的特徴とリフトマルチカットに基づく教師なし多重物体追跡手法を提案する。
提案したアノテーションを使わずにトレーニングされているにもかかわらず,我々のモデルは,歩行者追跡のための挑戦的なMOTベンチマークにおいて,競争力のある結果をもたらすことを示した。
論文 参考訳(メタデータ) (2020-02-04T09:42:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。