論文の概要: Enhancing the Association in Multi-Object Tracking via Neighbor Graph

• arxiv url: http://arxiv.org/abs/2007.00265v1
• Date: Wed, 1 Jul 2020 06:21:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:10:59.908950
• Title: Enhancing the Association in Multi-Object Tracking via Neighbor Graph
• Title（参考訳）: 近隣グラフを用いた多対象追跡における関連性強化
• Authors: Tianyi Liang, Long Lan, Zhigang Luo
• Abstract要約: 本稿では,近隣の情報をフル活用することでこの問題に対処することを提案する。 私たちのモチベーションは、人々がグループで動く傾向にあるという観察から来ています。 まず、追跡自己が生み出す近代的時間的関係を利用して、ターゲットに適した隣人を効率的に選択する。
• 参考スコア（独自算出の注目度）: 11.13923339111758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most modern multi-object tracking (MOT) systems follow the tracking-by-detection paradigm. It first localizes the objects of interest, then extracting their individual appearance features to make data association. The individual features, however, are susceptible to the negative effects as occlusions, illumination variations and inaccurate detections, thus resulting in the mismatch in the association inference. In this work, we propose to handle this problem via making full use of the neighboring information. Our motivations derive from the observations that people tend to move in a group. As such, when an individual target's appearance is seriously changed, we can still identify it with the help of its neighbors. To this end, we first utilize the spatio-temporal relations produced by the tracking self to efficiently select suitable neighbors for the targets. Subsequently, we construct neighbor graph of the target and neighbors then employ the graph convolution networks (GCN) to learn the graph features. To the best of our knowledge, it is the first time to exploit neighbor cues via GCN in MOT. Finally, we test our approach on the MOT benchmarks and achieve state-of-the-art performance in online tracking.
• Abstract（参考訳）: 現代のほとんどのマルチオブジェクトトラッキング (mot) システムは追跡・検出パラダイムに従っている。 まず興味のある対象をローカライズし、データアソナライズするために個々の外観特徴を抽出する。 しかし、個々の特徴は、オクルージョン、照明の変動、不正確な検出などの悪影響に影響を受けやすく、その結果、関連推論のミスマッチを引き起こす。 本研究では,近隣の情報をフル活用することでこの問題に対処することを提案する。 モチベーションは、人々がグループで動く傾向があるという観察から生まれます。 このように、個々のターゲットの外観が深刻な変化があったとしても、隣人の助けを借りて識別することができる。 この目的のために, 追跡自己が生成する時空間関係を用いて, ターゲットに対して適切な近傍を効率的に選択する。 その後、対象の隣接グラフを構築し、隣接グラフがグラフ畳み込みネットワーク(gcn)を使用してグラフの特徴を学習する。 我々の知る限りでは、MOTのGCNを介して近隣の手がかりを利用するのは初めてである。 最後に、MOTベンチマークのアプローチを検証し、オンライントラッキングにおける最先端のパフォーマンスを実現する。

関連論文リスト

• High Pileup Particle Tracking with Object Condensation [7.962871190916326]
  近年の研究では、荷電粒子追跡のための従来のアルゴリズムの性能とグラフニューラルネットワーク(GNN)が一致できることが示されている。 我々は、任意の数のオブジェクト(トラック)に属するポイント(hits)をクラスタリングし、各オブジェクトのプロパティを回帰するように設計された多目的学習フレームワークである、オブジェクト凝縮(OC)に基づく代替案を検討する。
  論文  参考訳（メタデータ） (2023-12-06T19:00:00Z)
• NeighborTrack: Improving Single Object Tracking by Bipartite Matching with Neighbor Tracklets [22.877838749427674]
  NeighborTrackは、追跡対象の隣り合う情報を活用して、シングルオブジェクト追跡(SOT)結果の検証と改善を行うポストプロセッサである。 バックボーンSOTネットワークによって予測される信頼スコアを使用して、近隣情報を自動的に導出し、この情報を使用して追跡結果を改善する。
  論文  参考訳（メタデータ） (2022-11-12T13:43:58Z)
• Improving Fraud detection via Hierarchical Attention-based Graph Neural Network [6.7713383844867385]
  不正検出のためのグラフニューラルネットワーク(HA-GNN)は、カモフラージュに対する異なる関係にわたって重み付けされた隣接行列を組み込む。 ローカル/ロングレンジ構造と元のノード特徴から情報を集約してノード埋め込みを生成する。 実世界の3つのデータセットの実験は、最先端技術に対する我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2022-02-12T16:27:16Z)
• Dynamic Sequential Graph Learning for Click-Through Rate Prediction [29.756257920214168]
  本稿では,ユーザやアイテムに関連付けられたローカルサブグラフからの協調情報を活用することで,ユーザの表現を向上する新しい手法を提案する。 実世界のCTR予測ベンチマークの結果は、DSGLによってもたらされた改善を実証している。
  論文  参考訳（メタデータ） (2021-09-26T09:23:43Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• 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)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)
• A Graph-based Interactive Reasoning for Human-Object Interaction Detection [71.50535113279551]
  本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。 In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。 私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
  論文  参考訳（メタデータ） (2020-07-14T09:29:03Z)
• 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)
• GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
  シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-03-29T07:22:31Z)

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。