論文の概要: Object Tracking Using Spatio-Temporal Future Prediction
- arxiv url: http://arxiv.org/abs/2010.07605v1
- Date: Thu, 15 Oct 2020 09:02:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 04:08:40.902218
- Title: Object Tracking Using Spatio-Temporal Future Prediction
- Title(参考訳): 時空間予測を用いた物体追跡
- Authors: Yuan Liu, Ruoteng Li, Robby T. Tan, Yu Cheng, Xiubao Sui
- Abstract要約: 本研究では,背景動きのモデル化と軌跡予測を考慮した学習に基づく追跡手法を提案する。
我々の軌道予測モジュールは、対象物体の過去の軌道に基づいて、現在および将来のフレームにおける対象物体の位置を予測する。
外観に基づくトラッカーと軌道予測を動的に切り替えるために,トラッキング予測の精度を評価するネットワークを用いる。
- 参考スコア(独自算出の注目度): 41.33609264685531
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Occlusion is a long-standing problem that causes many modern tracking methods
to be erroneous. In this paper, we address the occlusion problem by exploiting
the current and future possible locations of the target object from its past
trajectory. To achieve this, we introduce a learning-based tracking method that
takes into account background motion modeling and trajectory prediction. Our
trajectory prediction module predicts the target object's locations in the
current and future frames based on the object's past trajectory. Since, in the
input video, the target object's trajectory is not only affected by the object
motion but also the camera motion, our background motion module estimates the
camera motion. So that the object's trajectory can be made independent from it.
To dynamically switch between the appearance-based tracker and the trajectory
prediction, we employ a network that can assess how good a tracking prediction
is, and we use the assessment scores to choose between the appearance-based
tracker's prediction and the trajectory-based prediction. Comprehensive
evaluations show that the proposed method sets a new state-of-the-art
performance on commonly used tracking benchmarks.
- Abstract(参考訳): 閉塞は、多くの現代の追跡方法を誤ったものにする長期にわたる問題である。
本稿では,対象物体の現在および将来的な位置を過去の軌道から利用することで,閉塞問題に対処する。
そこで本研究では,背景運動モデルと軌道予測を考慮した学習ベースの追跡手法を提案する。
軌道予測モジュールは,対象物体の過去の軌跡に基づいて,現在および将来のフレームにおける対象物体の位置を予測する。
入力ビデオでは、対象物体の軌道は物体の動きだけでなくカメラの動きにも影響されるため、背景運動モジュールはカメラの動きを推定する。
そのため、オブジェクトの軌道はそれとは独立にすることができる。
本研究では,外見に基づくトラッカーと軌道予測を動的に切り替えるために,トラッキング予測の精度を評価するネットワークを用いて,外見に基づくトラッカーの予測と軌道予測のどちらを選択するかを選択する。
包括的評価により,提案手法は,一般的な追跡ベンチマーク上での最先端性能を新たに設定することを示す。
関連論文リスト
- Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。
本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。
本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
論文 参考訳(メタデータ) (2024-10-31T19:42:42Z) - ETTrack: Enhanced Temporal Motion Predictor for Multi-Object Tracking [4.250337979548885]
時間的動き予測器であるETTrackを用いた動きに基づくMOT手法を提案する。
具体的には、動作予測器は、変換器モデルと時間畳み込みネットワーク(TCN)を統合して、短期および長期の動作パターンをキャプチャする。
本研究では,DanceTrackとSportsMOTの最先端トラッカーと比較して,ETTrackの競争性能が向上していることを示す。
論文 参考訳(メタデータ) (2024-05-24T17:51:33Z) - OFMPNet: Deep End-to-End Model for Occupancy and Flow Prediction in Urban Environment [0.0]
環境中の全ての動的オブジェクトの将来の挙動を予測するために,エンド・ツー・エンドのニューラルネットワーク手法を提案する。
本稿では, 終点誤差の大幅な低減を図った新しい時間重み付きモーションフロー損失を提案する。
論文 参考訳(メタデータ) (2024-04-02T19:37:58Z) - An End-to-End Framework of Road User Detection, Tracking, and Prediction
from Monocular Images [11.733622044569486]
我々はODTPと呼ばれる検出、追跡、軌道予測のためのエンドツーエンドのフレームワークを構築している。
検出結果に基づいて、トラジェクトリ予測器であるDCENet++を認識および訓練するために、最先端のオンラインマルチオブジェクト追跡モデルであるQD-3DTを採用している。
本研究では,自律運転に広く利用されているnuScenesデータセット上でのODTPの性能を評価する。
論文 参考訳(メタデータ) (2023-08-09T15:46:25Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2023-06-05T04:24:11Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。
既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。
本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
論文 参考訳(メタデータ) (2021-07-29T17:41:34Z) - AutoTrajectory: Label-free Trajectory Extraction and Prediction from
Videos using Dynamic Points [92.91569287889203]
軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。
動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。
ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
論文 参考訳(メタデータ) (2020-07-11T08:43:34Z)
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。