論文の概要: Simple Unsupervised Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2006.02609v1
• Date: Thu, 4 Jun 2020 01:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 10:00:07.263875
• Title: Simple Unsupervised Multi-Object Tracking
• Title（参考訳）: 単純な教師なしマルチオブジェクトトラッキング
• Authors: Shyamgopal Karthik, Ameya Prabhu, Vineet Gandhi
• Abstract要約: 本研究では,教師なし再同定ネットワークを提案する。 提案手法(SimpleReID)は,まずSORTを用いて追跡ラベルを生成し,その生成したラベルをクロスエントロピー損失を用いて予測するためにReIDネットワークを訓練する。 トラッキングの監督を使わずにMOT16/17のような一般的なデータセット上で、新しい最先端のパフォーマンスを確立し、0.2-0.3 MOTAと4.4-4.8 IDF1スコアで現在のベスト(CenterTrack)を上回ります。
• 参考スコア（独自算出の注目度）: 11.640210313011876
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-object tracking has seen a lot of progress recently, albeit with substantial annotation costs for developing better and larger labeled datasets. In this work, we remove the need for annotated datasets by proposing an unsupervised re-identification network, thus sidestepping the labeling costs entirely, required for training. Given unlabeled videos, our proposed method (SimpleReID) first generates tracking labels using SORT and trains a ReID network to predict the generated labels using crossentropy loss. We demonstrate that SimpleReID performs substantially better than simpler alternatives, and we recover the full performance of its supervised counterpart consistently across diverse tracking frameworks. The observations are unusual because unsupervised ReID is not expected to excel in crowded scenarios with occlusions, and drastic viewpoint changes. By incorporating our unsupervised SimpleReID with CenterTrack trained on augmented still images, we establish a new state-of-the-art performance on popular datasets like MOT16/17 without using tracking supervision, beating current best (CenterTrack) by 0.2-0.3 MOTA and 4.4-4.8 IDF1 scores. We further provide evidence for limited scope for improvement in IDF1 scores beyond our unsupervised ReID in the studied settings. Our investigation suggests reconsideration towards more sophisticated, supervised, end-to-end trackers by showing promise in simpler unsupervised alternatives.
• Abstract（参考訳）: マルチオブジェクト追跡は最近、より良いラベル付きデータセットを開発するためのかなりのアノテーションコストにもかかわらず、多くの進歩を遂げている。 本研究では,教師なし再識別ネットワークを提案することで,アノテートされたデータセットの必要性をなくし,トレーニングに必要なラベリングコストを完全に削減する。 提案手法(simplereid)では,まずソートを用いた追跡ラベルを生成し,reidネットワークを訓練し,クロスエントロピー損失を用いて生成ラベルを予測する。 我々はSimpleReIDがより単純な代替手段よりもはるかに優れた性能を示し、さまざまなトラッキングフレームワークで一貫した教師付きパフォーマンスを回復する。 監視されていないReIDは、閉塞を伴う混雑したシナリオでは優れておらず、劇的な視点の変化が期待できるため、この観測は珍しい。 教師なしのSimpleReIDを、強化された静止画像に基づいてトレーニングされたCenterTrackに組み込むことで、トラッキングの監督を使わずにMOT16/17のような一般的なデータセット上で、最先端のパフォーマンスを確立します。 さらに,研究環境における非教師なし ReID 以外の IDF1 スコアの改善範囲が限定された証拠も提示する。 我々の調査は、より洗練された教師なしのエンド・ツー・エンドトラッカーへの再考を示唆している。

関連論文リスト

• Weakly Supervised Video Individual CountingWeakly Supervised Video Individual Counting [126.75545291243142]
  Video Individual Countingは、単一のビデオ内のユニークな個人数を予測することを目的としている。 トラジェクトリラベルが提供されない弱い教師付きVICタスクを導入する。 そこで我々は,ネットワークを駆動し,インフロー,アウトフロー,残りを識別するために,エンドツーエンドのトレーニング可能なソフトコントラスト損失を考案した。
  論文  参考訳（メタデータ） (2023-12-10T16:12:13Z)
• SOMPT22: A Surveillance Oriented Multi-Pedestrian Tracking Dataset [5.962184741057505]
  我々はSOMPT22データセットを紹介した。これは、都市監視のための高さ6-8mのポール上の静止カメラから撮影した注釈付きショートビデオを備えた、複数人の追跡のための新しいセットである。 我々は,新しいデータセット上での検出とreIDネットワークの利用方法について,MOTトラッカーをワンショットと2ステージに分類して分析する。 我々の新しいデータセットの実験結果から、SOTAは依然として高効率には程遠いことが示され、シングルショットトラッカーは高速実行と精度を競合性能と一体化するための良い候補である。
  論文  参考訳（メタデータ） (2022-08-04T11:09:19Z)
• Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
  分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-04T13:39:43Z)
• Learning to Track Objects from Unlabeled Videos [63.149201681380305]
  本稿では,Unsupervised Single Object Tracker (USOT) をスクラッチから学習することを提案する。 教師なしトラッカーと教師なしトラッカーのギャップを狭めるために,3段階からなる効果的な教師なし学習手法を提案する。 実験の結果、未ラベルのビデオから得られたUSOTは、最先端の教師なしトラッカーよりも大きなマージンでうまく機能していることがわかった。
  論文  参考訳（メタデータ） (2021-08-28T22:10:06Z)
• Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
  ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。 従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。 本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-05-22T10:17:38Z)
• Unsupervised Deep Representation Learning for Real-Time Tracking [137.69689503237893]
  視覚追跡のための教師なし学習手法を提案する。 教師なし学習の動機は、ロバストなトラッカーが双方向トラッキングに有効であるべきだということです。 我々は,シームズ相関フィルタネットワーク上にフレームワークを構築し,教師なし学習を容易にするために,多フレーム検証方式とコスト感受性損失を提案する。
  論文  参考訳（メタデータ） (2020-07-22T08:23:12Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• 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。