論文の概要: An Empirical Analysis of Visual Features for Multiple Object Tracking in Urban Scenes

• arxiv url: http://arxiv.org/abs/2010.07881v1
• Date: Thu, 15 Oct 2020 16:57:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 04:17:12.776106
• Title: An Empirical Analysis of Visual Features for Multiple Object Tracking in Urban Scenes
• Title（参考訳）: 都市シーンにおける複数物体追跡のための視覚特徴の実証分析
• Authors: Mehdi Miah, Justine Pepin, Nicolas Saunier and Guillaume-Alexandre Bilodeau
• Abstract要約: 本稿では,都市景観における複数物体追跡(MOT)の外観特徴の選択の問題に対処する。 一般的に用いられる特徴は、色ヒストグラム、方向勾配のヒストグラム、畳み込みニューラルネットワークからの深い特徴、再識別(ReID)特徴である。 いくつかの親和性尺度、例えば$mathrmL$、$mathrmL$、Bhattacharyya cosine、 Rank-1 counts、および類似性も、特徴の識別力への影響について評価されている。
• 参考スコア（独自算出の注目度）: 11.024591739346294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the problem of selecting appearance features for multiple object tracking (MOT) in urban scenes. Over the years, a large number of features has been used for MOT. However, it is not clear whether some of them are better than others. Commonly used features are color histograms, histograms of oriented gradients, deep features from convolutional neural networks and re-identification (ReID) features. In this study, we assess how good these features are at discriminating objects enclosed by a bounding box in urban scene tracking scenarios. Several affinity measures, namely the $\mathrm{L}_1$, $\mathrm{L}_2$ and the Bhattacharyya distances, Rank-1 counts and the cosine similarity, are also assessed for their impact on the discriminative power of the features. Results on several datasets show that features from ReID networks are the best for discriminating instances from one another regardless of the quality of the detector. If a ReID model is not available, color histograms may be selected if the detector has a good recall and there are few occlusions; otherwise, deep features are more robust to detectors with lower recall. The project page is http://www.mehdimiah.com/visual_features.
• Abstract（参考訳）: 本稿では,都市景観における複数物体追跡(MOT)の外観特徴の選択の問題に対処する。 長年にわたり、MOTには多数の機能が使われてきた。 しかし、その一部が他より優れているかどうかは定かではない。 一般的に用いられる特徴は、色ヒストグラム、方向勾配のヒストグラム、畳み込みニューラルネットワークからの深い特徴、再識別(ReID)特徴である。 本研究では,都市景観追跡シナリオにおいて,境界ボックスで囲まれた物体を識別する上で,これらの特徴がいかに優れているかを評価する。 いくつかの親和性測度、例えば$\mathrm{L}_1$, $\mathrm{L}_2$, and the Bhattacharyya distances, Rank-1 counts and the cosine similarity も特徴の識別力への影響について評価される。 いくつかのデータセットの結果から、ReIDネットワークの特徴は、検出器の品質に関わらず、互いにインスタンスを識別するのに最適であることが示された。 もしReIDモデルが利用できない場合、検出器が良好なリコールを有しており、オクルージョンが少ない場合、色ヒストグラムが選択される。 プロジェクトページはhttp://www.mehdimiah.com/visual_features。

関連論文リスト

• SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy [55.570183323356964]
  本稿では,隠蔽物体検出のための新しいSurrounding-Aware Network,すなわちSurANetを提案する。 周辺特徴の差分融合を用いて特徴写像のセマンティクスを強化し,隠蔽対象の強調を行う。 次に、周囲の特徴写像を対照的に学習することで隠蔽対象を識別するために、周囲のコントラストロスを適用した。
  論文  参考訳（メタデータ） (2024-10-09T13:02:50Z)
• Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
  本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。 本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。 さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
  論文  参考訳（メタデータ） (2022-04-08T15:22:33Z)
• Correlation-Aware Deep Tracking [83.51092789908677]
  本稿では,自己/横断的意図に着想を得た,新たなターゲット依存型特徴ネットワークを提案する。 我々のネットワークは機能ネットワークの複数の層にクロスイメージの特徴相関を深く埋め込んでいる。 我々のモデルは、豊富な未ペア画像に対して柔軟に事前訓練が可能であり、既存の手法よりも顕著に高速な収束をもたらす。
  論文  参考訳（メタデータ） (2022-03-03T11:53:54Z)
• Explicitly Modeling the Discriminability for Instance-Aware Visual Object Tracking [13.311777431243296]
  特徴表現の識別性を明らかにするための新しいインスタンス・アウェア・トラッカー (IAT) を提案する。 提案するIATには,ビデオレベルとオブジェクトレベルを含む2つのバリエーションを実装している。 どちらのバージョンも30FPSで動作しながら最先端のメソッドに対して主要な結果を得る。
  論文  参考訳（メタデータ） (2021-10-28T11:24:01Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Distilling Object Detectors via Decoupled Features [69.62967325617632]
  より優れた学生検出器を学習するための,デカップリング機能(DeFeat)を用いた新しい蒸留アルゴリズムを提案する。 バックボーンの異なる様々な検出器を用いた実験により, 提案手法の破れが, 被写体検出の最先端蒸留法を上回ることができることを示した。
  論文  参考訳（メタデータ） (2021-03-26T13:58:49Z)
• Multiple Convolutional Features in Siamese Networks for Object Tracking [13.850110645060116]
  Multiple Features-Siamese Tracker (MFST) は、ロバストな追跡のために複数の階層的な特徴マップを利用する新しい追跡アルゴリズムである。 MFSTは、オブジェクト追跡ベンチマークにおいて標準のサイメムトラッカーよりも高いトラッキング精度を達成する。
  論文  参考訳（メタデータ） (2021-03-01T08:02:27Z)
• MFST: Multi-Features Siamese Tracker [13.850110645060116]
  Multi-Features Siamese Tracker (MFST) は、複数の階層的特徴マップを利用して、頑健な類似性追跡を行う新しい追跡アルゴリズムである。 MFSTは、標準的なシームズトラッカーを含む最先端のトラッカーよりも高いトラッキング精度を実現している。
  論文  参考訳（メタデータ） (2021-03-01T07:18:32Z)
• Coarse-to-Fine Object Tracking Using Deep Features and Correlation Filters [2.3526458707956643]
  本稿では,新しいディープラーニング追跡アルゴリズムを提案する。 対象の翻訳を大まかに推定するために,深層特徴の一般化能力を利用する。 そして,相関フィルタの識別力を利用して追跡対象を正確に局所化する。
  論文  参考訳（メタデータ） (2020-12-23T16:43:21Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)
• 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。