論文の概要: Efficient and accurate object detection with simultaneous classification and tracking

• arxiv url: http://arxiv.org/abs/2007.02065v1
• Date: Sat, 4 Jul 2020 10:22:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:46:14.592192
• Title: Efficient and accurate object detection with simultaneous classification and tracking
• Title（参考訳）: 同時分類と追跡による効率的かつ正確な物体検出
• Authors: Xuesong Li, Jose Guivant
• Abstract要約: 本稿では,ポイントストリーム内の同時分類と追跡に基づく検出フレームワークを提案する。 このフレームワークでは、トラッカーが点雲のシーケンスでデータアソシエーションを行い、冗長な処理を避けるために検出器を誘導する。 ベンチマーク・データセットを用いて実験を行い,提案手法が従来のトラッキング・バイ・ディテクト・アプローチより優れていることを示した。
• 参考スコア（独自算出の注目度）: 1.4620086904601473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interacting with the environment, such as object detection and tracking, is a crucial ability of mobile robots. Besides high accuracy, efficiency in terms of processing effort and energy consumption are also desirable. To satisfy both requirements, we propose a detection framework based on simultaneous classification and tracking in the point stream. In this framework, a tracker performs data association in sequences of the point cloud, guiding the detector to avoid redundant processing (i.e. classifying already-known objects). For objects whose classification is not sufficiently certain, a fusion model is designed to fuse selected key observations that provide different perspectives across the tracking span. Therefore, performance (accuracy and efficiency of detection) can be enhanced. This method is particularly suitable for detecting and tracking moving objects, a process that would require expensive computations if solved using conventional procedures. Experiments were conducted on the benchmark dataset, and the results showed that the proposed method outperforms original tracking-by-detection approaches in both efficiency and accuracy.
• Abstract（参考訳）: 物体検出や追跡などの環境との相互作用は、移動ロボットにとって重要な能力である。 高い精度に加えて、処理労力とエネルギー消費の面での効率も望ましい。 両要件を満たすために,ポイントストリームにおける同時分類と追跡に基づく検出フレームワークを提案する。 このフレームワークでは、トラッカーが点雲のシーケンスでデータアソシエーションを行い、冗長な処理を避けるために検出器を誘導する(つまり、既に知られているオブジェクトを分類する)。 分類が不十分なオブジェクトに対して、融合モデルは、選択された主要な観測を融合させ、トラッキングスパンの異なる視点を提供するように設計されている。 したがって、性能(精度と検出効率)を高めることができる。 この手法は移動物体の検出と追跡に特に適しており、従来の手法で解くと高価な計算が必要となる。 ベンチマークデータセットを用いて実験を行い, 提案手法が効率と精度の両方において, 追跡・検出方式よりも優れていることを示した。

関連論文リスト

• SeMoLi: What Moves Together Belongs Together [51.72754014130369]
  動作手がかりに基づく半教師付き物体検出に挑戦する。 近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。 我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
  論文  参考訳（メタデータ） (2024-02-29T18:54:53Z)
• An efficient real-time target tracking algorithm using adaptive feature fusion [5.629708188348423]
  低次元適応型特徴融合に基づく効率的なリアルタイム目標追跡手法を提案する。 提案アルゴリズムは、それぞれ0.023と0.019の改善により、より高い成功率と精度を得ることができる。 提案手法は,複雑な環境下でのリアルタイムな目標追従タスクを実現するための,より有望な方法である。
  論文  参考訳（メタデータ） (2022-04-05T08:40:52Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Real-World Semantic Grasping Detection [0.34410212782758054]
  本稿では,意味認識と把握検出を両立できるエンドツーエンドのセマンティック把握検出モデルを提案する。 また,検出を把握するためのセマンティック情報に基づき,単一のオブジェクトの特徴のみを保持するターゲット特徴フィルタリング機構を設計する。 実験結果から,コーネルグルーピングデータセットの98.38%の精度が得られた。
  論文  参考訳（メタデータ） (2021-11-20T05:57:22Z)
• Incorporating Data Uncertainty in Object Tracking Algorithms [2.3204178451683264]
  物体追跡法は、通常、測定ノイズ、偽陽性率、発見率の欠落という形で測定誤差モデルに依存する。 ニューラルネット処理されたカメラ入力から生成された検出では、測定誤差統計はエラーの主原因を表すのに十分ではない。 本研究では,オブジェクトの追跡能力の向上など,データ不確実性をオブジェクト追跡手法に組み込むことについて検討する。
  論文  参考訳（メタデータ） (2021-09-22T05:30:46Z)
• On the Role of Sensor Fusion for Object Detection in Future Vehicular Networks [25.838878314196375]
  異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。 最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
  論文  参考訳（メタデータ） (2021-04-23T18:58:37Z)
• Ensembling object detectors for image and video data analysis [98.26061123111647]
  本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。 本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
  論文  参考訳（メタデータ） (2021-02-09T12:38:16Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
  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問題である。 本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。 このアプローチは、検出と追跡の両方において高い精度を達成する。
  論文  参考訳（メタデータ） (2020-04-04T08:18:00Z)
• Applying r-spatiogram in object tracking for occlusion handling [16.36552899280708]
  映像追跡の目的は、動画シーケンス内の移動対象を正確に特定し、そのシーケンスの特徴空間内の非ターゲットから目標を識別することである。 本稿では,オブジェクトモデリング,オブジェクト検出とローカライゼーション,モデル更新という,参照モデルの3つの主要コンポーネントで構成される多くのトラッカーの基本概念を用いる。
  論文  参考訳（メタデータ） (2020-03-18T02:42:51Z)

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。