論文の概要: Probabilistic 3D Multi-Modal, Multi-Object Tracking for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2012.13755v1
• Date: Sat, 26 Dec 2020 15:00:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 01:07:31.045139
• Title: Probabilistic 3D Multi-Modal, Multi-Object Tracking for Autonomous Driving
• Title（参考訳）: 自律走行のための確率的3次元マルチモーダルマルチオブジェクトトラッキング
• Authors: Hsu-kuang Chiu, Jie Li, Rares Ambrus, Jeannette Bohg
• Abstract要約: 異なる訓練可能なモジュールからなる確率的、マルチモーダル、マルチオブジェクトトラッキングシステムを提案する。 本手法はNuScenes Trackingデータセットの現在の状態を上回っていることを示した。
• 参考スコア（独自算出の注目度）: 22.693895321632507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-object tracking is an important ability for an autonomous vehicle to safely navigate a traffic scene. Current state-of-the-art follows the tracking-by-detection paradigm where existing tracks are associated with detected objects through some distance metric. The key challenges to increase tracking accuracy lie in data association and track life cycle management. We propose a probabilistic, multi-modal, multi-object tracking system consisting of different trainable modules to provide robust and data-driven tracking results. First, we learn how to fuse features from 2D images and 3D LiDAR point clouds to capture the appearance and geometric information of an object. Second, we propose to learn a metric that combines the Mahalanobis and feature distances when comparing a track and a new detection in data association. And third, we propose to learn when to initialize a track from an unmatched object detection. Through extensive quantitative and qualitative results, we show that our method outperforms current state-of-the-art on the NuScenes Tracking dataset.
• Abstract（参考訳）: マルチオブジェクトトラッキングは、自動運転車が交通シーンを安全にナビゲートする重要な機能である。 現在の最先端は、ある距離メトリックを通じて検出対象と既存のトラックが関連付けられるトラッキング・バイ・検出パラダイムに従っている。 追跡精度を高めるための重要な課題は、データアソシエーションとライフサイクル管理の追跡にある。 本稿では,複数のトレーニング可能なモジュールからなる確率的マルチモーダル・マルチオブジェクトトラッキングシステムを提案し,ロバストかつデータ駆動的なトラッキング結果を提供する。 まず、2D画像と3D LiDAR点雲から特徴を融合して、オブジェクトの外観と幾何学的情報をキャプチャする方法を学ぶ。 第2に,マハラノビスと特徴距離を組み合わせた距離を,トラックとデータアソシエーションにおける新たな検出とを比較して学習することを提案する。 そして第3に、未整合物体検出からトラックをいつ初期化するかを学ぶことを提案する。 そこで本手法は,NuScenes Trackingデータセットにおける最先端の手法よりも優れていることを示す。

関連論文リスト

• 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)
• CXTrack: Improving 3D Point Cloud Tracking with Contextual Information [59.55870742072618]
  3Dオブジェクトトラッキングは、自律運転など、多くのアプリケーションにおいて重要な役割を果たす。 CXTrackは3次元オブジェクト追跡のためのトランスフォーマーベースのネットワークである。 CXTrackは29FPSで動作しながら最先端のトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:29:01Z)
• InterTrack: Interaction Transformer for 3D Multi-Object Tracking [9.283656931246645]
  3Dマルチオブジェクトトラッキング(MOT)は、自動運転車にとって重要な問題である。 提案手法であるInterTrackは,データアソシエーションのための識別対象表現を生成する。 我々はnuScenes 3D MOTベンチマークのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-08-17T03:24:36Z)
• Unified Transformer Tracker for Object Tracking [58.65901124158068]
  異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。 SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
  論文  参考訳（メタデータ） (2022-03-29T01:38:49Z)
• Exploring Simple 3D Multi-Object Tracking for Autonomous Driving [10.921208239968827]
  LiDARポイントクラウドにおける3Dマルチオブジェクトトラッキングは、自動運転車にとって重要な要素である。 既存の手法は、主にトラッキング・バイ・検出パイプラインに基づいており、検出アソシエーションのマッチングステップが必然的に必要である。 我々は,手作りの追跡パラダイムをシンプルにするために,原点雲からの共同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モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-23T17:59:22Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• 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)
• Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
  周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。 移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-12T15:30:02Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。