論文の概要: Chained-Tracker: Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking
- arxiv url: http://arxiv.org/abs/2007.14557v1
- Date: Wed, 29 Jul 2020 02:38:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 20:18:49.753670
- Title: Chained-Tracker: Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking
- Title（参考訳）: Chained-Tracker-- Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking
- Authors: Jinlong Peng, Changan Wang, Fangbin Wan, Yang Wu, Yabiao Wang, Ying
Tai, Chengjie Wang, Jilin Li, Feiyue Huang, Yanwei Fu
- Abstract要約: そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。
鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
- 参考スコア（独自算出の注目度）: 102.31092931373232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing Multiple-Object Tracking (MOT) methods either follow the
tracking-by-detection paradigm to conduct object detection, feature extraction
and data association separately, or have two of the three subtasks integrated
to form a partially end-to-end solution. Going beyond these sub-optimal
frameworks, we propose a simple online model named Chained-Tracker (CTracker),
which naturally integrates all the three subtasks into an end-to-end solution
(the first as far as we know). It chains paired bounding boxes regression
results estimated from overlapping nodes, of which each node covers two
adjacent frames. The paired regression is made attentive by object-attention
(brought by a detection module) and identity-attention (ensured by an ID
verification module). The two major novelties: chained structure and paired
attentive regression, make CTracker simple, fast and effective, setting new
MOTA records on MOT16 and MOT17 challenge datasets (67.6 and 66.6,
respectively), without relying on any extra training data. The source code of
CTracker can be found at: github.com/pjl1995/CTracker.
- Abstract（参考訳）: 既存のMultiple-Object Tracking (MOT) 手法は、オブジェクト検出、特徴抽出、データアソシエーションを別々に行うためのトラッキング・バイ・ディテクト・パラダイムに従うか、あるいは3つのサブタスクのうち2つを統合して部分的にエンドツーエンドのソリューションを形成する。
この3つのサブタスクをすべてエンドツーエンドのソリューション(私たちの知る限りでは最初のもの)に統合するシンプルなオンラインモデルであるChained-Tracker(CTracker)を提案する。
重なり合うノードから推定される、ペア境界ボックスの回帰結果をチェーンし、各ノードが隣接する2つのフレームをカバーする。
ペアレグレッションは、オブジェクトアテンション(検出モジュールで作成)とアイデンティティアテンション(ID検証モジュールで保証)によって注意される。
チェーン構造とペアの注意回帰という2つの大きな特徴により、ctrackerはシンプルで高速で効果的になり、mot16とmot17チャレンジデータセット(それぞれ67.6と66.6)に新しいmotaレコードを設定する。
CTrackerのソースコードは、github.com/pjl1995/CTrackerにある。
関連論文リスト
- ADA-Track: End-to-End Multi-Camera 3D Multi-Object Tracking with Alternating Detection and Association [15.161640917854363]
多視点カメラによる3D MOTのための新しいエンドツーエンドフレームワークであるADA-Trackを紹介する。
エッジ拡張型クロスアテンションに基づく学習可能なデータアソシエーションモジュールを提案する。
我々は、この関連モジュールをDTRベースの3D検出器のデコーダ層に統合する。
論文 参考訳（メタデータ） (2024-05-14T19:02:33Z) - Unified Sequence-to-Sequence Learning for Single- and Multi-Modal Visual Object Tracking [64.28025685503376]
SeqTrackは、ビジュアルトラッキングをシーケンス生成タスクとしてキャストし、オブジェクト境界ボックスを自動回帰的に予測する。
SeqTrackv2は補助モダリティのための統一インターフェースとタスクを指定するためのタスクプロンプトトークンのセットを統合している。
このシーケンス学習パラダイムは、トラッキングフレームワークを単純化するだけでなく、14の挑戦的なベンチマークで優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-04-27T17:56:29Z) - You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。
多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
論文 参考訳（メタデータ） (2023-04-18T02:45:18Z) - ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every
Detection Box [81.45219802386444]
マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間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。
低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。
3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
論文 参考訳（メタデータ） (2023-03-27T15:35:21Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳（メタデータ） (2022-11-01T20:59:38Z) - Unified Transformer Tracker for Object Tracking [58.65901124158068]
異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。
SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
論文 参考訳（メタデータ） (2022-03-29T01:38:49Z) - 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) - Global Correlation Network: End-to-End Joint Multi-Object Detection and
Tracking [2.749204052800622]
本稿では,global correlation network (gcnet) という,エンドツーエンドでマルチオブジェクト検出と追跡を行うネットワークを提案する。
gcnetはオフセット予測の代わりに絶対サイズと境界ボックスの座標の回帰のためにグローバル相関層を導入する。
GCNetによる検出と追跡のパイプラインは概念的にはシンプルで、非最大抑制、データアソシエーション、その他の複雑な追跡戦略を必要としない。
論文 参考訳（メタデータ） (2021-03-23T13:16:42Z) - Track to Detect and Segment: An Online Multi-Object Tracker [81.15608245513208]
TraDeSは、エンドツーエンドの検出を支援するために追跡の手がかりを利用するオンライン共同検出および追跡モデルです。
TraDeSは、以前のオブジェクトの機能を伝播するために使用されるコストボリュームでオブジェクト追跡オフセットを推測します。
論文 参考訳（メタデータ） (2021-03-16T02:34:06Z)
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。