論文の概要: Deep Multi-Shot Network for modelling Appearance Similarity in
Multi-Person Tracking applications
- arxiv url: http://arxiv.org/abs/2004.03531v1
- Date: Tue, 7 Apr 2020 16:43:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 00:25:03.012803
- Title: Deep Multi-Shot Network for modelling Appearance Similarity in
Multi-Person Tracking applications
- Title（参考訳）: マルチパーソントラッキングアプリケーションにおける外観類似性のモデル化のためのディープマルチショットネットワーク
- Authors: Mar\'ia J. G\'omez-Silva
- Abstract要約: 本稿では、人の観察における外観類似度(MS-DoAS)の測定のためのディープマルチショットニューラルモデルを提案する。
モデルは故意に訓練され、以前のアイデンティティスイッチの存在を管理し、処理されたトラックでの観察を見逃すことができる。
これは、新しい観測が特定の軌道に対応するときの識別能力の高さを示し、ハードテストで97%の分類精度を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The automatization of Multi-Object Tracking becomes a demanding task in real
unconstrained scenarios, where the algorithms have to deal with crowds,
crossing people, occlusions, disappearances and the presence of visually
similar individuals. In those circumstances, the data association between the
incoming detections and their corresponding identities could miss some tracks
or produce identity switches. In order to reduce these tracking errors, and
even their propagation in further frames, this article presents a Deep
Multi-Shot neural model for measuring the Degree of Appearance Similarity
(MS-DoAS) between person observations. This model provides temporal consistency
to the individuals' appearance representation, and provides an affinity metric
to perform frame-by-frame data association, allowing online tracking. The model
has been deliberately trained to be able to manage the presence of previous
identity switches and missed observations in the handled tracks. With that
purpose, a novel data generation tool has been designed to create training
tracklets that simulate such situations. The model has demonstrated a high
capacity to discern when a new observation corresponds to a certain track,
achieving a classification accuracy of 97\% in a hard test that simulates
tracks with previous mistakes. Moreover, the tracking efficiency of the model
in a Surveillance application has been demonstrated by integrating that into
the frame-by-frame association of a Tracking-by-Detection algorithm.
- Abstract（参考訳）: マルチオブジェクトトラッキングの自動化は、アルゴリズムが群衆、交差する人々、オクルージョン、消失、視覚的に類似した個人の存在を扱わなければならない、真の制約のないシナリオでは、要求の厳しいタスクになる。
このような状況下では、受信した検出と対応するIDとの間のデータ関連は、いくつかのトラックを見逃したり、アイデンティティスイッチを生成したりすることができる。
本稿では,これらの追跡誤差を低減し,さらにフレーム内での伝搬も抑制するため,人体観察における外観類似度(MS-DoAS)の測定を行うディープマルチショットニューラルモデルを提案する。
このモデルは、個人の外観表現に時間的一貫性を提供し、フレーム単位のデータアソシエーションを実行するための親和性指標を提供し、オンライン追跡を可能にする。
モデルは故意に訓練され、以前のアイデンティティスイッチの存在を管理し、処理されたトラックでの観察を見逃すことができる。
その目的で、このような状況をシミュレートするトレーニングトラックレットを作成するために、新しいデータ生成ツールが設計された。
このモデルは、新しい観測が特定のトラックに対応する場合の識別能力が高く、以前のミスでトラックをシミュレートするハードテストで97\%の分類精度を達成している。
さらに、監視アプリケーションにおけるモデルの追跡効率は、追跡・検出アルゴリズムのフレーム・バイ・フレーム・アソシエーションに統合することにより実証されている。
関連論文リスト
- Learning a Neural Association Network for Self-supervised Multi-Object Tracking [34.07776597698471]
本稿では,多目的追跡のためのデータアソシエーションを自己管理的に学習するための新しいフレームワークを提案する。
実世界のシナリオでは、オブジェクトの動きが通常マルコフプロセスで表現できるという事実により、我々は、トラッキングのための検出を関連付けるためにニューラルネットワークをトレーニングする新しい期待(EM)アルゴリズムを提案する。
我々は,挑戦的なMOT17とMOT20データセットに対するアプローチを評価し,自己教師付きトラッカーと比較して最先端の結果を得る。
論文 参考訳（メタデータ） (2024-11-18T12:22:29Z) - Online Deep Clustering with Video Track Consistency [85.8868194550978]
ビデオオブジェクトトラックから視覚的特徴を学習するための教師なしクラスタリングに基づく手法を提案する。
教師なしのクラス非依存でノイズの多いトラックジェネレータを利用すれば、コストと正確なトラックアノテーションに依存するよりも精度が向上することを示す。
論文 参考訳（メタデータ） (2022-06-07T08:11:00Z) - STURE: Spatial-Temporal Mutual Representation Learning for Robust Data
Association in Online Multi-Object Tracking [7.562844934117318]
提案手法は、より区別された検出とシーケンス表現を抽出することができる。
パブリックMOTチャレンジベンチマークに適用され、様々な最先端のオンラインMOTトラッカーとよく比較される。
論文 参考訳（メタデータ） (2022-01-18T08:52:40Z) - Continuity-Discrimination Convolutional Neural Network for Visual Object
Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。
この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。
不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:35:03Z) - Learning to Track with Object Permanence [61.36492084090744]
共同物体の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アプローチを紹介します。
私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
論文 参考訳（メタデータ） (2021-03-26T04:43:04Z) - Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。
これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。
提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
論文 参考訳（メタデータ） (2021-01-16T07:31:00Z) - Learning to associate detections for real-time multiple object tracking [0.0]
本研究では, ニューラルネットワークを用いて, 検出に使用可能な類似性関数を学習する。
提案したトラッカーは最先端の手法で得られた結果と一致し、ベースラインとして使用される最近の類似手法よりも58%高速に動作している。
論文 参考訳（メタデータ） (2020-07-12T17:08:41Z) - 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) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - 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。