Fugu-MT 論文翻訳(概要): Localization-Based Tracking

論文の概要: Localization-Based Tracking

arxiv url: http://arxiv.org/abs/2104.05823v1
Date: Mon, 12 Apr 2021 21:13:55 GMT
ステータス: 処理完了
システム内更新日: 2021-04-14 13:30:42.105323
Title: Localization-Based Tracking
Title（参考訳）: ローカライゼーションに基づくトラッキング
Authors: Derek Gloudemans, Daniel B. Work
Abstract要約: 我々は、検出または共同検出および追跡パラダイムによる追跡に従う任意のトラッカーの拡張を提示します。 UA-DETRACデータセットとMOT20データセットの2つの例トラッカー(KIOUとSORT)の拡張としてLBTを評価した。提出時点では、我々のLBT拡張KIOUトラッカーはMOT20ベンチマークで10位となっている。
参考スコア（独自算出の注目度）: 0.45687771576879593
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: End-to-end production of object tracklets from high resolution video in real-time and with high accuracy remains a challenging problem due to the cost of object detection on each frame. In this work we present Localization-based Tracking (LBT), an extension to any tracker that follows the tracking by detection or joint detection and tracking paradigms. Localization-based Tracking focuses only on regions likely to contain objects to boost detection speed and avoid matching errors. We evaluate LBT as an extension to two example trackers (KIOU and SORT) on the UA-DETRAC and MOT20 datasets. LBT-extended trackers outperform all other reported algorithms in terms of PR-MOTA, PR-MOTP, and mostly tracked objects on the UA-DETRAC benchmark, establishing a new state-of-the art. relative to tracking by detection with KIOU, LBT-extended KIOU achieves a 25% higher frame-rate and is 1.1% more accurate in terms of PR-MOTA on the UA-DETRAC dataset. LBT-extended SORT achieves a 62% speedup and a 3.2% increase in PR-MOTA on the UA-DETRAC dataset. On MOT20, LBT-extended KIOU has a 50% higher frame-rate than tracking by detection and is 0.4% more accurate in terms of MOTA. As of submission time, our LBT-extended KIOU tracker places 10th overall on the MOT20 benchmark.
Abstract（参考訳）: 高精細度ビデオからのオブジェクトトラッカーのエンドツーエンド生産をリアルタイムかつ高精度に行うことは、各フレームにおけるオブジェクト検出コストが問題となる。本研究では,検出や共同検出,追跡パラダイムによる追跡を追従する,任意のトラッカへの拡張であるlbt(localization-based tracking)を提案する。ローカライゼーションベースのトラッキングは、検出速度を高め、一致したエラーを避けるためにオブジェクトを含む可能性のあるリージョンのみに焦点を当てる。 UA-DETRACデータセットとMOT20データセットの2つの例トラッカー(KIOUとSORT)の拡張としてLBTを評価した。 LBT拡張トラッカーは、PR-MOTA、PR-MOTP、およびほとんどの追跡対象をUA-DETRACベンチマークで評価し、新しい最先端技術を確立した。 KIOUによる検出によるトラッキングと比較して、LBT拡張KIOUはフレームレートが25%高く、UA-DETRACデータセット上のPR-MOTAの精度は1.1%向上している。 LBT拡張SORTはUA-DETRACデータセット上で62%の高速化と3.2%のPR-MOTA増加を達成する。 MOT20では、LBT拡張KIOUは検出によるトラッキングよりも50%高いフレームレートを持ち、MOTAでは0.4%精度である。提出時点では、我々のLBT拡張KIOUトラッカーはMOT20ベンチマークで10位となっている。

関連論文リスト

Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-07-19T07:48:45Z)
Bridging the Gap Between End-to-end and Non-End-to-end Multi-Object Tracking [27.74953961900086]
既存のエンドツーエンドのマルチオブジェクト追跡(e2e-MOT)手法は、非エンドツーエンドのトラッキング・バイ・検出手法を超えていない。本稿では,e2e-MOT をシャドウ概念を用いた新しいラベル割り当てにより,簡便かつ効果的な方法である Co-MOT を提案する。
論文参考訳（メタデータ） (2023-05-22T05:18:34Z)
SOMPT22: A Surveillance Oriented Multi-Pedestrian Tracking Dataset [5.962184741057505]
我々はSOMPT22データセットを紹介した。これは、都市監視のための高さ6-8mのポール上の静止カメラから撮影した注釈付きショートビデオを備えた、複数人の追跡のための新しいセットである。我々は,新しいデータセット上での検出とreIDネットワークの利用方法について,MOTトラッカーをワンショットと2ステージに分類して分析する。我々の新しいデータセットの実験結果から、SOTAは依然として高効率には程遠いことが示され、シングルショットトラッカーは高速実行と精度を競合性能と一体化するための良い候補である。
論文参考訳（メタデータ） (2022-08-04T11:09:19Z)
SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。 SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
論文参考訳（メタデータ） (2022-07-10T11:18:26Z)
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)
StrongSORT: Make DeepSORT Great Again [19.099510933467148]
我々は、古典的なトラッカーであるDeepSORTを再検討し、検出、埋め込み、関連付けといった様々な側面からアップグレードする。結果、StrongSORTと呼ばれるトラッカーは、MOT17とMOT20に新しいHOTAとIDF1レコードをセットする。追跡結果をさらに改善するために,軽量かつプラグアンドプレイのアルゴリズムを2つ提案する。
論文参考訳（メタデータ） (2022-02-28T02:37:19Z)
On the detection-to-track association for online multi-object tracking [30.883165972525347]
トラックの歴史的外観距離をインクリメンタルなガウス混合モデル(IGMM)でモデル化するハイブリッドトラックアソシエーションアルゴリズムを提案する。 3つのMOTベンチマークによる実験結果から,HTAが目標識別性能を向上し,追跡速度に多少の妥協を施すことが確認された。
論文参考訳（メタデータ） (2021-07-01T14:44:12Z)
Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
論文参考訳（メタデータ） (2020-12-03T23:59:27Z)
LSOTB-TIR:A Large-Scale High-Diversity Thermal Infrared Object Tracking Benchmark [51.1506855334948]
本稿では、LSOTBTIRと呼ばれる、大規模かつ多種多様な熱赤外(TIR)オブジェクト追跡ベンチマークを提案する。すべての列のすべてのフレームにおけるオブジェクトの有界ボックスに注釈を付け、合計で730K以上の有界ボックスを生成する。我々は,LSOTB-TIR上で30以上のトラッカーを評価し解析し,一連のベースラインを提供することにより,ディープトラッカーが有望な性能を達成することを示す。
論文参考訳（メタデータ） (2020-08-03T12:36:06Z)
Tracking Objects as Points [83.9217787335878]
同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。 CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
論文参考訳（メタデータ） (2020-04-02T17:58:40Z)

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。