論文の概要: Graph Neural Networks for 3D Multi-Object Tracking
- arxiv url: http://arxiv.org/abs/2008.09506v1
- Date: Thu, 20 Aug 2020 17:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 03:22:05.964750
- Title: Graph Neural Networks for 3D Multi-Object Tracking
- Title(参考訳): 3次元マルチオブジェクト追跡のためのグラフニューラルネットワーク
- Authors: Xinshuo Weng, Yongxin Wang, Yunze Man, and Kris Kitani
- Abstract要約: 3次元多物体追跡(MOT)は自律システムにとって不可欠である。
最近の作業では、しばしばトラッキング・バイ・検出パイプラインを使用します。
本稿では,グラフニューラルネットワークを導入した新しい特徴相互作用機構を提案する。
- 参考スコア(独自算出の注目度): 28.121708602059048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Multi-object tracking (MOT) is crucial to autonomous systems. Recent work
often uses a tracking-by-detection pipeline, where the feature of each object
is extracted independently to compute an affinity matrix. Then, the affinity
matrix is passed to the Hungarian algorithm for data association. A key process
of this pipeline is to learn discriminative features for different objects in
order to reduce confusion during data association. To that end, we propose two
innovative techniques: (1) instead of obtaining the features for each object
independently, we propose a novel feature interaction mechanism by introducing
Graph Neural Networks; (2) instead of obtaining the features from either 2D or
3D space as in prior work, we propose a novel joint feature extractor to learn
appearance and motion features from 2D and 3D space. Through experiments on the
KITTI dataset, our proposed method achieves state-of-the-art 3D MOT
performance. Our project website is at
http://www.xinshuoweng.com/projects/GNN3DMOT.
- Abstract(参考訳): 自律システムには3dマルチオブジェクトトラッキング(mot)が不可欠である。
最近の研究では、トラッキング・バイ・検出パイプラインを使用しており、各オブジェクトの特徴を独立して抽出し、親和行列を計算する。
そして、親和性行列を、データアソシエーションのためのハンガリーのアルゴリズムに渡す。
このパイプラインの重要なプロセスは、データアソシエーション時の混乱を軽減するために、異なるオブジェクトの識別機能を学ぶことである。
そこで本稿では,(1)各対象の特徴を独立に得るのではなく,グラフニューラルネットワークを導入することにより,新たな特徴間相互作用機構を提案する。(2)先行研究のように2次元空間と3次元空間から特徴を得るのではなく,2次元空間と3次元空間から出現・運動特徴を学習する新しい特徴抽出器を提案する。
KITTIデータセットの実験を通じて,提案手法は最先端の3D MOT性能を実現する。
プロジェクトのWebサイトはhttp://www.xinshuoweng.com/projects/GNN3DMOTにあります。
関連論文リスト
- 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-07T23:46:41Z) - SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and
Quasi-Planar Segmentation [53.83313235792596]
本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。
2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。
本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
論文 参考訳(メタデータ) (2023-06-28T22:36:44Z) - 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) - The Devil is in the Task: Exploiting Reciprocal Appearance-Localization
Features for Monocular 3D Object Detection [62.1185839286255]
低コストのモノクル3D物体検出は、自律運転において基本的な役割を果たす。
DFR-Netという動的特徴反射ネットワークを導入する。
我々は、KITTIテストセットの全ての単分子3D物体検出器の中で、第1位にランク付けする。
論文 参考訳(メタデータ) (2021-12-28T07:31:18Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳(メタデータ) (2021-04-23T17:59:28Z) - HVPR: Hybrid Voxel-Point Representation for Single-stage 3D Object
Detection [39.64891219500416]
3Dオブジェクト検出手法は、シーン内の3Dオブジェクトを表現するために、ボクセルベースまたはポイントベースの特徴を利用する。
本稿では,voxelベースとポイントベースの両方の特徴を有する,新しい単段3次元検出手法を提案する。
論文 参考訳(メタデータ) (2021-04-02T06:34:49Z) - SA-Det3D: Self-Attention Based Context-Aware 3D Object Detection [9.924083358178239]
本稿では,3次元物体検出におけるコンテキストモデリングのための2種類の自己注意法を提案する。
まず,現状のbev,voxel,ポイントベース検出器にペアワイズ自着機構を組み込む。
次に,ランダムにサンプリングされた位置の変形を学習することにより,最も代表的な特徴のサブセットをサンプリングするセルフアテンション変種を提案する。
論文 参考訳(メタデータ) (2021-01-07T18:30:32Z) - Relation3DMOT: Exploiting Deep Affinity for 3D Multi-Object Tracking
from View Aggregation [8.854112907350624]
3Dマルチオブジェクトトラッキングは、自律ナビゲーションにおいて重要な役割を果たす。
多くのアプローチでは、トラッキングのための2次元RGBシーケンス内のオブジェクトを検出するが、これは3次元空間内のオブジェクトをローカライズする際の信頼性の欠如である。
本稿では,隣接フレーム内の各オブジェクト間の相関をよりよく活用するために,RelationConvという新しい畳み込み演算を提案する。
論文 参考訳(メタデータ) (2020-11-25T16:14:40Z) - End-to-End 3D Multi-Object Tracking and Trajectory Forecasting [34.68114553744956]
3次元MOTと軌道予測の統一解を提案する。
グラフニューラルネットを導入して特徴相互作用技術を採用する。
また,予測トラジェクトリの品質と多様性を向上させるために,多様性サンプリング機能を利用する。
論文 参考訳(メタデータ) (2020-08-25T16:54:46Z) - PerMO: Perceiving More at Once from a Single Image for Autonomous
Driving [76.35684439949094]
単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。
私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。
我々はこれらのアルゴリズムを自律運転システムに統合した。
論文 参考訳(メタデータ) (2020-07-16T05:02:45Z) - GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with
Multi-Feature Learning [30.72094639797806]
3次元多物体追跡(MOT)は自律システムにとって不可欠である。
そこで本研究では,MOTの識別的特徴学習を改善するための2つの手法を提案する。
提案手法は, KITTI および nuScenes 3D MOT ベンチマーク上での最先端性能を実現する。
論文 参考訳(メタデータ) (2020-06-12T17:08:14Z)
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。