論文の概要: TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2101.04206v3
• Date: Thu, 28 Jan 2021 19:59:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 14:32:13.074131
• Title: TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object Tracking
• Title（参考訳）: TrackMPNN: マルチオブジェクト追跡のためのメッセージパッシンググラフニューラルアーキテクチャ
• Authors: Akshay Rangesh, Pranav Maheshwari, Mez Gebre, Siddhesh Mhatre, Vahid Ramezani, Mohan M. Trivedi
• Abstract要約: 本研究は,グラフに基づくデータ構造を用いて問題をモデル化する多目的追跡(MOT)への多くの従来のアプローチに従う。 複数のタイムステップにまたがるデータ関連問題を表す動的無方向性グラフに基づくフレームワークを作成する。 また、メモリ効率が高く、リアルタイムなオンラインアルゴリズムを作成するために対処する必要がある計算問題に対するソリューションと提案も提供します。
• 参考スコア（独自算出の注目度）: 8.791710193028903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study follows many previous approaches to multi-object tracking (MOT) that model the problem using graph-based data structures, and adapts this formulation to make it amenable to modern neural networks. Our main contributions in this work are the creation of a framework based on dynamic undirected graphs that represent the data association problem over multiple timesteps, and a message passing graph neural network (GNN) that operates on these graphs to produce the desired likelihood for every association therein. We further provide solutions and propositions for the computational problems that need to be addressed to create a memory-efficient, real-time, online algorithm that can reason over multiple timesteps, correct previous mistakes, update beliefs, possess long-term memory, and handle missed/false detections. In addition to this, our framework provides flexibility in the choice of temporal window sizes to operate on and the losses used for training. In essence, this study provides a framework for any kind of graph based neural network to be trained using conventional techniques from supervised learning, and then use these trained models to infer on new sequences in an online, real-time, computationally tractable manner. To demonstrate the efficacy and robustness of our approach, we only use the 2D box location and object category to construct the descriptor for each object instance. Despite this, our model performs on par with state-of-the-art approaches that make use of multiple hand-crafted and/or learned features. Experiments, qualitative examples and competitive results on popular MOT benchmarks for autonomous driving demonstrate the promise and uniqueness of the proposed approach.
• Abstract（参考訳）: 本研究は、グラフベースのデータ構造を用いて問題をモデル化するマルチオブジェクトトラッキング(mot)に対する従来の多くのアプローチに従い、この定式化を現代のニューラルネットワークに応用する。 この研究の主な貢献は、複数のタイムステップにまたがるデータアソシエーション問題を表す動的無方向性グラフに基づくフレームワークの作成と、それらのグラフ上で動作するメッセージパッシンググラフニューラルネットワーク(GNN)を使用して、すべてのアソシエーションに対して望ましい可能性を生み出すことである。 我々はさらに,複数の時間ステップを推論し,以前の誤りを訂正し,信念を更新し,長期記憶を有し,ミス/フェイル検出を処理できる,メモリ効率のよいリアルタイムオンラインアルゴリズムを作成するために対処しなければならない計算問題に対する解決策と提案を提供する。 これに加えて、当社のフレームワークは、時間的ウィンドウサイズの選択と、トレーニングに使用する損失の柔軟性を提供します。 本質的に、本研究では、教師付き学習から従来の手法を用いて学習すべきグラフベースのニューラルネットワークの種類をトレーニングするためのフレームワークを提供し、これらのトレーニングされたモデルを使用して、オンライン、リアルタイム、計算的に抽出可能な方法で新しいシーケンスを推論する。 提案手法の有効性とロバスト性を示すため、2Dボックスの位置とオブジェクトカテゴリのみを使用して各オブジェクトインスタンスのディスクリプタを構築する。 それにもかかわらず、我々のモデルは、複数の手作りや学習機能を利用する最先端のアプローチと同等に機能する。 自律運転のための人気のあるMOTベンチマークの実験、定性的な例、および競争結果は、提案手法の可能性を実証している。

関連論文リスト

• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time Series Classification [6.76723360505692]
  未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。 26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2023-04-11T09:21:28Z)
• Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
  予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。 本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。 提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2022-12-09T03:58:22Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series [0.0]
  我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。 DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
  論文  参考訳（メタデータ） (2022-02-04T21:14:21Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Neural Language Modeling for Contextualized Temporal Graph Generation [49.21890450444187]
  本稿では,大規模事前学習言語モデルを用いた文書のイベントレベル時間グラフの自動生成に関する最初の研究について述べる。
  論文  参考訳（メタデータ） (2020-10-20T07:08:00Z)
• GCNNMatch: Graph Convolutional Neural Networks for Multi-Object Tracking via Sinkhorn Normalization [5.705895203925818]
  本稿では、グラフ畳み込みニューラルネットワーク(GCNN)に基づく特徴抽出と、オブジェクトアソシエーションのためのエンドツーエンド特徴マッチングを用いた、オンライン多目的追跡(MOT)のための新しい手法を提案する。 グラフベースのアプローチでは、過去のフレームのオブジェクトの外観と幾何学だけでなく、現在のフレームも特徴学習のタスクに組み込まれている。
  論文  参考訳（メタデータ） (2020-09-30T19:18:44Z)

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。