論文の概要: Quasi-Dense Similarity Learning for Multiple Object Tracking

• arxiv url: http://arxiv.org/abs/2006.06664v4
• Date: Wed, 8 Sep 2021 02:56:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 12:56:46.689439
• Title: Quasi-Dense Similarity Learning for Multiple Object Tracking
• Title（参考訳）: 複数物体追跡のための準深度類似性学習
• Authors: Jiangmiao Pang, Linlu Qiu, Xia Li, Haofeng Chen, Qi Li, Trevor Darrell, Fisher Yu
• Abstract要約: 本稿では, コントラスト学習のための画像に対して, 数百の領域提案を高密度にサンプリングする準高次類似性学習を提案する。 この類似性学習と既存の検出手法を直接組み合わせてQuasi-Dense Tracking(QDTrack)を構築することができる。
• 参考スコア（独自算出の注目度）: 82.93471035675299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Similarity learning has been recognized as a crucial step for object tracking. However, existing multiple object tracking methods only use sparse ground truth matching as the training objective, while ignoring the majority of the informative regions on the images. In this paper, we present Quasi-Dense Similarity Learning, which densely samples hundreds of region proposals on a pair of images for contrastive learning. We can directly combine this similarity learning with existing detection methods to build Quasi-Dense Tracking (QDTrack) without turning to displacement regression or motion priors. We also find that the resulting distinctive feature space admits a simple nearest neighbor search at the inference time. Despite its simplicity, QDTrack outperforms all existing methods on MOT, BDD100K, Waymo, and TAO tracking benchmarks. It achieves 68.7 MOTA at 20.3 FPS on MOT17 without using external training data. Compared to methods with similar detectors, it boosts almost 10 points of MOTA and significantly decreases the number of ID switches on BDD100K and Waymo datasets. Our code and trained models are available at http://vis.xyz/pub/qdtrack.
• Abstract（参考訳）: 類似性学習は、オブジェクト追跡の重要なステップとして認識されている。 しかし、既存の複数のオブジェクト追跡手法は、画像上の情報領域の大部分を無視しながら、訓練目的としてスパースな基底真理マッチングのみを使用する。 本稿では,コントラスト学習のための画像に対して,数百の領域提案を密にサンプリングした擬似拡散類似性学習を提案する。 この類似性学習と既存の検出手法を直接組み合わせて、変位の退行や動きの先行に切り替えることなく、Quasi-Dense Tracking(QDTrack)を構築することができる。 また、結果として生じる特徴空間は、推論時に単純な最寄りの近傍探索を許容する。 その単純さにもかかわらず、QDTrackは、MOT、BDD100K、Waymo、TAOトラッキングベンチマーク上の既存のすべてのメソッドを上回っている。 68.7 MOTAを20.3 FPSのMOT17で達成する。 同様の検出器を持つメソッドと比較して、MOTAの約10ポイントを向上し、BDD100KおよびWaymoデータセット上のIDスイッチ数を著しく削減する。 私たちのコードとトレーニングされたモデルはhttp://vis.xyz/pub/qdtrackで利用可能です。

関連論文リスト

• ConsistencyTrack: A Robust Multi-Object Tracker with a Generation Strategy of Consistency Model [20.259334882471574]
  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技術であり、ビデオシーケンス内の複数のターゲットを検出し、各ターゲットにフレーム毎にユニークなIDを割り当てるように設計されている。 既存のMOTメソッドは、様々なシナリオでリアルタイムで複数のオブジェクトを正確に追跡する。 本稿では,境界ボックス上の拡散過程として検出と関連を定式化するための新しいConsistencyTrack, Joint Detection and Tracking (JDT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-28T05:53:30Z)
• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• SparseTrack: Multi-Object Tracking by Performing Scene Decomposition based on Pseudo-Depth [84.64121608109087]
  2次元画像から目標の相対的な深さを求めるための擬似深度推定法を提案する。 次に,得られた深度情報を用いて,高密度なターゲットセットを複数のスパースなターゲットサブセットに変換するディープカスケードマッチング(DCM)アルゴリズムを設計する。 擬似深度法とDCM戦略をデータアソシエーションプロセスに統合することにより、SparseTrackと呼ばれる新しいトラッカーを提案する。
  論文  参考訳（メタデータ） (2023-06-08T14:36:10Z)
• 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)
• EnsembleMOT: A Step towards Ensemble Learning of Multiple Object Tracking [18.741196817925534]
  複数オブジェクト追跡(MOT)は近年急速に進歩している。 そこで我々は,EnsembleMOTと呼ばれるMOTのためのシンプルだが効果的なアンサンブル手法を提案する。 本手法はモデル非依存であり,学習手順は不要である。
  論文  参考訳（メタデータ） (2022-10-11T09:18:01Z)
• ByteTrack: Multi-Object Tracking by Associating Every Detection Box [51.93588012109943]
  マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 ほとんどの方法は、スコアがしきい値よりも高い検出ボックスを連想させることでアイデンティティを得る。 本稿では,BYTEと呼ばれるシンプルで効果的で汎用的なアソシエーション手法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:01:26Z)
• 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)
• Score refinement for confidence-based 3D multi-object tracking [14.853897011640022]
  トラックレットのスコアに応じてトラックレットを終了させながら、時間的整合性に応じてスコアを操作することにより、トラッキング結果が改善されることを示す。 カウントベースの手法と比較すると,AMOTAとMOTAのスコアは一貫して向上している。 AMOTAスコア67.6のnuScenesテスト評価を達成し、これは他の最先端のトラッカーに匹敵するものであった。
  論文  参考訳（メタデータ） (2021-07-09T09:40:07Z)
• Tracking Objects as Points [83.9217787335878]
  同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。 トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。 CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
  論文  参考訳（メタデータ） (2020-04-02T17:58:40Z)

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。