論文の概要: Blending of Learning-based Tracking and Object Detection for Monocular
Camera-based Target Following
- arxiv url: http://arxiv.org/abs/2008.09644v1
- Date: Fri, 21 Aug 2020 18:44:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 22:11:45.593063
- Title: Blending of Learning-based Tracking and Object Detection for Monocular
Camera-based Target Following
- Title（参考訳）: 単眼カメラによる目標追従のための学習ベース追跡と物体検出のブレンディング
- Authors: Pranoy Panda, Martin Barczyk
- Abstract要約: 本稿では,ジェネリックターゲットトラッカーとオブジェクト検出モジュールを対象再識別モジュールと融合するリアルタイムアプローチを提案する。
本研究は,進化的リカレントニューラルネットワークを用いたオブジェクトトラッカーの性能向上に重点を置いている。
- 参考スコア（独自算出の注目度）: 2.578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has recently started being applied to visual tracking of
generic objects in video streams. For the purposes of robotics applications, it
is very important for a target tracker to recover its track if it is lost due
to heavy or prolonged occlusions or motion blur of the target. We present a
real-time approach which fuses a generic target tracker and object detection
module with a target re-identification module. Our work focuses on improving
the performance of Convolutional Recurrent Neural Network-based object trackers
in cases where the object of interest belongs to the category of
\emph{familiar} objects. Our proposed approach is sufficiently lightweight to
track objects at 85-90 FPS while attaining competitive results on challenging
benchmarks.
- Abstract（参考訳）: ディープラーニングは最近、ビデオストリームの汎用オブジェクトのビジュアルトラッキングに適用され始めている。
ロボット工学の応用のためには、ターゲットトラッカーは、重いあるいは長い閉塞や目標の運動のぼやけによって失われる場合、トラックを回復することが非常に重要である。
本稿では,汎用ターゲットトラッカとオブジェクト検出モジュールとターゲット再識別モジュールを融合するリアルタイムアプローチを提案する。
私たちの研究は、対象が \emph{familiar}オブジェクトのカテゴリに属する場合の畳み込み型リカレントニューラルネットワークベースのオブジェクトトラッカのパフォーマンス向上に焦点を当てています。
提案手法は,85～90FPSのオブジェクトを追跡できるほど軽量であり,また,挑戦的なベンチマークの競合的な結果が得られる。
関連論文リスト
- Leveraging Object Priors for Point Tracking [25.030407197192]
ポイントトラッキングは、コンピュータビジョンにおける基本的な問題であり、多くのARやロボット工学への応用がある。
本稿では,対象の先行点に注意を向ける新たな対象性正規化手法を提案する。
提案手法は,3点追跡ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-09-09T16:48:42Z) - Collecting Consistently High Quality Object Tracks with Minimal Human Involvement by Using Self-Supervised Learning to Detect Tracker Errors [16.84474849409625]
高品質なオブジェクトトラックを一貫して作成するためのフレームワークを提案する。
鍵となるアイデアは、各データセットのモジュールを調整して、オブジェクトトラッカの障害をインテリジェントに判断することだ。
提案手法は,未収録ビデオの自己教師型学習を利用して,対象対象の表現をカスタマイズした表現を学習する。
論文 参考訳（メタデータ） (2024-05-06T17:06:32Z) - 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) - Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR
based 3D Object Detection [50.959453059206446]
本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。
まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。
従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
論文 参考訳（メタデータ） (2023-04-24T17:59:05Z) - MotionTrack: Learning Robust Short-term and Long-term Motions for
Multi-Object Tracking [56.92165669843006]
本研究では,短時間から長期間の軌跡を関連づける統合フレームワークで,堅牢な短期・長期動作を学習するMotionTrackを提案する。
密集した群集に対して,各ターゲットの複雑な動きを推定できる,短時間の軌跡から相互作用認識動作を学習するための新しい対話モジュールを設計する。
極端なオクルージョンのために、ターゲットの履歴軌跡から信頼できる長期動作を学習するための新しいRefind Moduleを構築し、中断された軌跡とそれに対応する検出とを関連付けることができる。
論文 参考訳（メタデータ） (2023-03-18T12:38:33Z) - Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。
ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。
MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
論文 参考訳（メタデータ） (2023-03-15T08:38:08Z) - Learning to Track Object Position through Occlusion [32.458623495840904]
オクルージョンは、物体検出器やトラッカーが直面する最も重要な課題の1つである。
本稿では,領域ベースビデオオブジェクト検出装置の成功に基づくトラッキング・バイ・検出手法を提案する。
提案手法は,インターネットから収集した家具組立ビデオのデータセットにおいて,優れた結果が得られる。
論文 参考訳（メタデータ） (2021-06-20T22:29:46Z) - Learning Target Candidate Association to Keep Track of What Not to Track [100.80610986625693]
目標を追尾し続けるために、逸脱物を追跡することを提案します。
視覚的トラッキングにおいて, トラクタオブジェクト間の接地トルース対応を欠く問題に対処するために, 部分アノテーションと自己監督を組み合わせたトレーニング戦略を提案する。
我々のトラッカーは6つのベンチマークで新しい最先端のベンチマークを設定し、AUCスコアはLaSOTで67.2%、OxUvA長期データセットで+6.1%向上した。
論文 参考訳（メタデータ） (2021-03-30T17:58:02Z) - 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) - Detecting Invisible People [58.49425715635312]
我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。
私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。
第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
論文 参考訳（メタデータ） (2020-12-15T16:54:45Z)
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。