論文の概要: Compensation Tracker: Reprocessing Lost Object for Multi-Object Tracking
- arxiv url: http://arxiv.org/abs/2008.12052v4
- Date: Sat, 5 Feb 2022 13:48:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 08:30:06.754941
- Title: Compensation Tracker: Reprocessing Lost Object for Multi-Object Tracking
- Title（参考訳）: compensation tracker: マルチオブジェクトトラッキングのためのロストオブジェクトの再処理
- Authors: Zhibo Zou, Junjie Huang, Ping Luo
- Abstract要約: 我々は、MOT 2020データセット上でのリアルタイム追跡モデルにおいて、失われた追跡オブジェクトの現象を解析する。
本研究では,検出の欠如による損失追跡問題を軽減するための補償トラッカーを提案する。
- 参考スコア（独自算出の注目度）: 22.581568078093195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tracking by detection paradigm is one of the most popular object tracking
methods. However, it is very dependent on the performance of the detector. When
the detector has a behavior of missing detection, the tracking result will be
directly affected. In this paper, we analyze the phenomenon of the lost
tracking object in real-time tracking model on MOT2020 dataset. Based on simple
and traditional methods, we propose a compensation tracker to further alleviate
the lost tracking problem caused by missing detection. It consists of a motion
compensation module and an object selection module. The proposed method not
only can re-track missing tracking objects from lost objects, but also does not
require additional networks so as to maintain speed-accuracy trade-off of the
real-time model. Our method only needs to be embedded into the tracker to work
without re-training the network. Experiments show that the compensation tracker
can efficaciously improve the performance of the model and reduce identity
switches. With limited costs, the compensation tracker successfully enhances
the baseline tracking performance by a large margin and reaches 66% of MOTA and
67% of IDF1 on MOT2020 dataset.
- Abstract（参考訳）: 検出パラダイムによるトラッキングは、最も人気のあるオブジェクト追跡手法の1つである。
しかし、検出器の性能に非常に依存している。
検出器が欠落検出の挙動を持っている場合、追跡結果は直接影響を受ける。
本稿では,MOT2020データセット上でのリアルタイム追跡モデルにおける損失追跡オブジェクトの現象を解析する。
単純かつ従来的な手法に基づいて,検出の欠如による追跡問題をさらに緩和する補償トラッカを提案する。
動作補償モジュールとオブジェクト選択モジュールで構成される。
提案手法は, 失った物体から失った追跡対象を追尾するだけでなく, リアルタイムモデルの速度精度トレードオフを維持するために, 追加のネットワークも必要としない。
我々の手法は、ネットワークを再トレーニングすることなく、トラッカーに組み込む必要がある。
実験により、補償トラッカーはモデルの性能を効果的に改善し、アイデンティティスイッチを低減できることが示された。
限られたコストで、補償トラッカーはベースライントラッキング性能を大きなマージンで向上させ、MOTAの66%、IDF1の67%をMOT2020データセットで達成した。
関連論文リスト
- RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。
具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。
我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
論文 参考訳（メタデータ） (2024-03-28T08:54:40Z) - SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。
トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。
検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
論文 参考訳（メタデータ） (2023-05-16T15:18:42Z) - Multi-Object Tracking by Iteratively Associating Detections with Uniform
Appearance for Trawl-Based Fishing Bycatch Monitoring [22.228127377617028]
漁業活動における漁獲監視の目的は、映像から魚の標的をリアルタイムで検出し、追跡し、分類することである。
本稿では,既存の観測中心追跡アルゴリズムに基づく新しいMOT手法を提案する。
本手法は,海洋魚種群およびMOT17種群において,一様外観の追跡目標の性能向上と最先端技術の向上を図っている。
論文 参考訳（メタデータ） (2023-04-10T18:55:10Z) - 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) - 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) - 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) - DEFT: Detection Embeddings for Tracking [3.326320568999945]
我々は,DEFT と呼ばれる効率的な関節検出・追跡モデルを提案する。
提案手法は,外見に基づくオブジェクトマッチングネットワークと,下層のオブジェクト検出ネットワークとの協調学習に依存している。
DEFTは2Dオンライントラッキングリーダーボードのトップメソッドに匹敵する精度とスピードを持っている。
論文 参考訳（メタデータ） (2021-02-03T20:00:44Z) - 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) - Probabilistic Tracklet Scoring and Inpainting for Multiple Object
Tracking [83.75789829291475]
本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。
これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。
我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
論文 参考訳（メタデータ） (2020-12-03T23:59:27Z) - Simultaneous Detection and Tracking with Motion Modelling for Multiple
Object Tracking [94.24393546459424]
本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。
DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。
また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
論文 参考訳（メタデータ） (2020-08-20T08:05:33Z) - RetinaTrack: Online Single Stage Joint Detection and Tracking [22.351109024452462]
両タスクがミッションクリティカルな自律運転におけるトラッキング・バイ・検出パラダイムに注目した。
本稿では、一般的な単一ステージのRetinaNetアプローチを改良したRetinaTrackと呼ばれる、概念的にシンプルで効率的な検出と追跡のジョイントモデルを提案する。
論文 参考訳（メタデータ） (2020-03-30T23:46:29Z)
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。