Fugu-MT 論文翻訳(概要): AerialMPTNet: Multi-Pedestrian Tracking in Aerial Imagery Using Temporal and Graphical Features

論文の概要: AerialMPTNet: Multi-Pedestrian Tracking in Aerial Imagery Using Temporal and Graphical Features

arxiv url: http://arxiv.org/abs/2006.15457v1
Date: Sat, 27 Jun 2020 22:02:29 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 07:58:45.792292
Title: AerialMPTNet: Multi-Pedestrian Tracking in Aerial Imagery Using Temporal and Graphical Features
Title（参考訳）: AerialMPTNet:時間的特徴と図形的特徴を用いた航空画像の多歩行者追跡
Authors: Maximilian Kraus, Seyed Majid Azimi, Emec Ercelik, Reza Bahmanyar, Peter Reinartz, Alois Knoll
Abstract要約: AerialMPTNetはジオレファレンスな航空画像における複数歩行者追跡のための新しい手法である。 Aerial Multi-Pedestrian Tracking (AerialMPT) データセットについて述べる。 AerialMPTNetは精度と時間効率で他の手法よりも優れていた。
参考スコア（独自算出の注目度）: 7.4174957519107485
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-pedestrian tracking in aerial imagery has several applications such as large-scale event monitoring, disaster management, search-and-rescue missions, and as input into predictive crowd dynamic models. Due to the challenges such as the large number and the tiny size of the pedestrians (e.g., 4 x 4 pixels) with their similar appearances as well as different scales and atmospheric conditions of the images with their extremely low frame rates (e.g., 2 fps), current state-of-the-art algorithms including the deep learning-based ones are unable to perform well. In this paper, we propose AerialMPTNet, a novel approach for multi-pedestrian tracking in geo-referenced aerial imagery by fusing appearance features from a Siamese Neural Network, movement predictions from a Long Short-Term Memory, and pedestrian interconnections from a GraphCNN. In addition, to address the lack of diverse aerial pedestrian tracking datasets, we introduce the Aerial Multi-Pedestrian Tracking (AerialMPT) dataset consisting of 307 frames and 44,740 pedestrians annotated. We believe that AerialMPT is the largest and most diverse dataset to this date and will be released publicly. We evaluate AerialMPTNet on AerialMPT and KIT AIS, and benchmark with several state-of-the-art tracking methods. Results indicate that AerialMPTNet significantly outperforms other methods on accuracy and time-efficiency.
Abstract（参考訳）: 航空画像における複数歩行者追跡には、大規模イベント監視、災害管理、捜索救助任務、および予測的群衆動態モデルへの入力など、いくつかの応用がある。非常に低いフレームレート(例えば2fps)で画像の異なるスケールや大気条件の外観を持つ歩行者(例えば4 x 4ピクセル)の膨大な数や小さなサイズといった課題のため、ディープラーニングベースのものを含む現在の最先端アルゴリズムは、うまく機能しない。本稿では,シアームニューラルネットワークからの出現特徴,長期記憶からの移動予測,およびgraphcnnからの歩行者の相互接続を融合して,地理参照空中画像におけるマルチペデストリアン追跡のための新しいアプローチであるaerialmptnetを提案する。さらに, 多様な歩行者追跡データセットの欠如に対処するため, 307フレームと44,740人の歩行者が注釈を付けたAerial Multi-Pedestrian Tracking (AerialMPT)データセットを導入する。 AerialMPTは,これまでで最大かつ最も多様なデータセットであり,一般公開される予定です。我々はAerialMPTとKIT AISでAerialMPTNetを評価し、いくつかの最先端追跡手法を用いてベンチマークを行った。 AerialMPTNetは精度と時間効率で他の手法よりも優れていた。

関連論文リスト

Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文参考訳（メタデータ） (2023-12-07T18:59:14Z)
ReST: A Reconfigurable Spatial-Temporal Graph Model for Multi-Camera Multi-Object Tracking [11.619493960418176]
Multi-Camera Multi-Object Tracking (MC-MOT)は、複数のビューからの情報を利用して、閉塞や混み合ったシーンの問題に対処する。現在のグラフベースの手法では、空間的および時間的整合性に関する情報を効果的に利用しない。本稿では,まず,検出対象を空間的に関連づけて時間グラフに再構成する,新しい再構成可能なグラフモデルを提案する。
論文参考訳（メタデータ） (2023-08-25T08:02:04Z)
Counting Crowds in Bad Weather [68.50690406143173]
本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
論文参考訳（メタデータ） (2023-06-02T00:00:09Z)
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)
Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
論文参考訳（メタデータ） (2022-04-08T15:22:33Z)
3D Multi-Object Tracking Using Graph Neural Networks with Cross-Edge Modality Attention [9.150245363036165]
Batch3DMOTは、現実のシーンを、方向付き、非循環型、カテゴリー非結合な追跡グラフとして表現する。モーダル間断続性を緩和するクロスエッジアテンション機構を用いたマルチモーダルグラフニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-03-21T12:44:17Z)
Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文参考訳（メタデータ） (2021-11-30T04:30:10Z)
Multi-Object Tracking with Deep Learning Ensemble for Unmanned Aerial System Applications [0.0]
多目的追跡(MOT)は、軍事防衛分野における状況認識の重要な構成要素である。本稿では,リアルタイムな状況下での騒音に対応するために,頑健なオブジェクト追跡アーキテクチャを提案する。本稿では,遅延空間における実体軌道の予測にシーケンス・ツー・シーケンス・アーキテクチャを用いる,Deep Extended Kalman Filter (DeepEKF) と呼ばれるキネマティックな予測モデルを提案する。
論文参考訳（メタデータ） (2021-10-05T13:50:38Z)
Know Your Surroundings: Panoramic Multi-Object Tracking by Multimodality Collaboration [56.01625477187448]
MMPAT(MultiModality PAnoramic Multi-object Tracking framework)を提案する。 2次元パノラマ画像と3次元点雲を入力とし、マルチモーダルデータを用いて目標軌道を推定する。提案手法は,検出タスクと追跡タスクの両方においてMMPATが最高性能を達成するJRDBデータセット上で評価する。
論文参考訳（メタデータ） (2021-05-31T03:16:38Z)
Multiple Pedestrians and Vehicles Tracking in Aerial Imagery: A Comprehensive Study [6.327655795051618]
本稿では,ディープラーニングに基づく多目的追跡手法であるAerialMPTNetについて述べる。また,AerialMPTNetの性能に及ぼすSqueeze-and-Excitation層とOnline Hard Example Miningの影響について検討した。その結果,空中多目的追跡領域の課題と可能性について,より深い知見が得られた。
論文参考訳（メタデータ） (2020-10-19T17:26:09Z)
Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
論文参考訳（メタデータ） (2020-07-18T19:51:53Z)

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。