論文の概要: AutoSelect: Automatic and Dynamic Detection Selection for 3D Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2012.05894v1
• Date: Thu, 10 Dec 2020 18:55:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:40:24.174488
• Title: AutoSelect: Automatic and Dynamic Detection Selection for 3D Multi-Object Tracking
• Title（参考訳）: AutoSelect:3Dマルチオブジェクト追跡のための自動および動的検出選択
• Authors: Xinshuo Weng, Kris Kitani
• Abstract要約: 3Dマルチオブジェクトトラッキングは、自動運転車などのロボット認識システムの重要なコンポーネントです。 最近の研究は、過去のトラックレットと現在のフレーム内の検出とを一致させることを目的としたトラッキングバイディテクションパイプラインに従っている。 適切なしきい値を見つけることは簡単ではなく、アブレーションによる広範囲な手動探索を必要とする。 高品質の検出を自動的に選択し、手動のしきい値検索に必要な労力を取り除くことを提案します。
• 参考スコア（独自算出の注目度）: 25.744696682209934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D multi-object tracking is an important component in robotic perception systems such as self-driving vehicles. Recent work follows a tracking-by-detection pipeline, which aims to match past tracklets with detections in the current frame. To avoid matching with false positive detections, prior work filters out detections with low confidence scores via a threshold. However, finding a proper threshold is non-trivial, which requires extensive manual search via ablation study. Also, this threshold is sensitive to many factors such as target object category so we need to re-search the threshold if these factors change. To ease this process, we propose to automatically select high-quality detections and remove the efforts needed for manual threshold search. Also, prior work often uses a single threshold per data sequence, which is sub-optimal in particular frames or for certain objects. Instead, we dynamically search threshold per frame or per object to further boost performance. Through experiments on KITTI and nuScenes, our method can filter out $45.7\%$ false positives while maintaining the recall, achieving new S.O.T.A. performance and removing the need for manually threshold tuning.
• Abstract（参考訳）: 3Dマルチオブジェクトトラッキングは、自動運転車のようなロボット認識システムにおいて重要なコンポーネントである。 最近の研究は、過去のトラックレットと現在のフレーム内の検出とをマッチングすることを目的とした、トラッキングバイ検出パイプラインに従っている。 偽陽性検出との整合を避けるために、先行作業はしきい値を介して低い信頼度で検出をフィルタリングする。 しかし、適切なしきい値を見つけることは簡単ではなく、アブレーションによる広範囲な手動探索を必要とする。 また、この閾値はターゲットオブジェクトカテゴリなどの多くの要因に敏感であるため、これらの要因が変わった場合、しきい値を再調査する必要がある。 そこで本研究では,高品質な検出を自動的に選択し,手動しきい値探索に必要な作業を取り除くことを提案する。 また、以前の作業では、特定のフレームや特定のオブジェクトに対して、サブ最適であるデータシーケンス毎に単一のしきい値を使用することが多い。 代わりに、フレームごとまたはオブジェクトごとのしきい値を動的に検索し、パフォーマンスをさらに向上します。 kittiとnuscenesの実験を通じて、リコールを維持しながら45.7\%$ false positivesをフィルタリングし、新しいs.o.t.a.を得る。 パフォーマンスと手動のしきい値調整の必要性の排除。

関連論文リスト

• RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud [11.111388829965103]
  この研究は、最近の3次元トラッキング・バイ・検出手法の限界に対処する。 そこで本稿では,正解トラックとゴーストトラックを時間的に区別する新しいオンライントラック妥当性メカニズムを提案する。 我々はまた、軌道ドリフトにおけるノイズ緩和を強化するカルマンフィルタの改良を導入し、閉塞物体のより堅牢な状態推定を可能にした。
  論文  参考訳（メタデータ） (2024-05-19T12:49:21Z)
• 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)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
  提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。 多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-18T02:45:18Z)
• CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object Tracking with Camera-LiDAR Fusion [34.42289908350286]
  3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。 LiDAR法で物体の不規則な動きを正確に追跡することは困難である。 複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-06T14:41:38Z)
• Beyond Greedy Search: Tracking by Multi-Agent Reinforcement Learning-based Beam Search [103.53249725360286]
  既存のトラッカーは通常、フレーム毎のトラッキング結果として最大スコアの場所または提案を選択する。 本稿では,この問題に対処するために,新しいマルチエージェント強化学習に基づくビームサーチ戦略(BeamTracking と呼ばれる)を提案する。
  論文  参考訳（メタデータ） (2022-05-19T16:35:36Z)
• DSRRTracker: Dynamic Search Region Refinement for Attention-based Siamese Multi-Object Tracking [13.104037155691644]
  本稿では,ガウスフィルタにインスパイアされた動的探索領域改良モジュールを用いたエンドツーエンドMOT法を提案する。 提案手法は,最先端の性能を妥当な速度で達成することができる。
  論文  参考訳（メタデータ） (2022-03-21T04:14:06Z)
• Distractor-Aware Fast Tracking via Dynamic Convolutions and MOT Philosophy [63.91005999481061]
  実用的長期トラッカーは、典型的には3つの重要な特性を含む。 効率的なモデル設計、効果的なグローバル再検出戦略、堅牢な気晴らし認識メカニズム。 動的畳み込み (d-convs) と多重オブジェクト追跡 (MOT) の哲学を用いて, 注意をそらした高速トラッキングを実現するための2タスクトラッキングフレームワーク(DMTrack)を提案する。 我々のトラッカーはLaSOT, OxUvA, TLP, VOT2018LT, VOT 2019LTベンチマークの最先端性能を実現し, リアルタイム3倍高速に動作させる。
  論文  参考訳（メタデータ） (2021-04-25T00:59:53Z)
• 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)
• A Video Analysis Method on Wanfang Dataset via Deep Neural Network [8.485930905198982]
  本稿では,スポーツ競技におけるリアルタイム多目的検出機能と,ディープラーニングに基づく公共交通機関における歩行者フロー検出機能について述べる。 提案アルゴリズムに基づいて,主要なテストデータセットとしてwanfangスポーツコンペティションデータセットを採用する。 私たちの作業は、歩行者のフロー検出や歩行者のアラームタスクにも利用できます。
  論文  参考訳（メタデータ） (2020-02-28T04:09:53Z)

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。