論文の概要: One More Check: Making "Fake Background" Be Tracked Again
- arxiv url: http://arxiv.org/abs/2104.09441v1
- Date: Mon, 19 Apr 2021 16:42:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 13:46:34.574996
- Title: One More Check: Making "Fake Background" Be Tracked Again
- Title（参考訳）: もう1つのチェック:"fake background"を再び追跡する
- Authors: Chao Liang and Zhipeng Zhang and Xue Zhou and Bing Li and Yi Lu and
Weiming Hu
- Abstract要約: 誤分類された境界ボックスを復元する再チェックネットワークを提案する。
再チェックネットワークは、フレーム間の時間的手がかりと現在の候補との関係を探索することにより、前のトラックレットを現在のフレームに伝搬する。
私達のモデルはそれぞれMOT16およびMOT17の$ 70.7 rightarrow 76.7$、$ 70.6 rightarrow 76.3$ MOTAによって好ましい利益を達成します。
- 参考スコア（独自算出の注目度）: 41.94423207932292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The one-shot multi-object tracking, which integrates object detection and ID
embedding extraction into a unified network, has achieved groundbreaking
results in recent years. However, current one-shot trackers solely rely on
single-frame detections to predict candidate bounding boxes, which may be
unreliable when facing disastrous visual degradation, e.g., motion blur,
occlusions. Once a target bounding box is mistakenly classified as background
by the detector, the temporal consistency of its corresponding tracklet will be
no longer maintained, as shown in Fig. 1. In this paper, we set out to restore
the misclassified bounding boxes, i.e., fake background, by proposing a
re-check network. The re-check network propagates previous tracklets to the
current frame by exploring the relation between cross-frame temporal cues and
current candidates using the modified cross-correlation layer. The propagation
results help to reload the "fake background" and eventually repair the broken
tracklets. By inserting the re-check network to a strong baseline tracker
CSTrack (a variant of JDE), our model achieves favorable gains by $70.7
\rightarrow 76.7$, $70.6 \rightarrow 76.3$ MOTA on MOT16 and MOT17,
respectively. Code is publicly available at https://github.com/JudasDie/SOTS.
- Abstract（参考訳）: オブジェクト検出とID埋め込み抽出を統合ネットワークに統合したワンショットマルチオブジェクトトラッキングは,近年,画期的な成果を上げている。
しかし、現在のワンショットトラッカーは単一のフレーム検出にのみ依存しており、例えばモーションボケやオクルージョンといった破壊的な視覚的劣化に直面した場合には信頼性が低い。
ターゲット境界ボックスが検出器によって誤って背景として分類されると、フィグに示すように、対応するトラックレットの時間的一貫性はもはや維持されなくなる。
1.
本稿では,誤分類された境界ボックス,すなわち偽の背景を,再チェックネットワークを提案することで復元する。
再チェックネットワークは、修正された相互相関層を用いて、フレーム間時間キューと現在の候補との関係を探索することにより、前のトラックレットを現在のフレームに伝搬する。
伝播の結果、"fake background"を再ロードし、最終的に壊れたトラックレットを修復するのに役立つ。
この再チェックネットワークを強力なベースライントラッカーCSTrack(JDEの派生版)に挿入することで、MOT16とMOT17でそれぞれ70.7ドル、76.7ドル、70.6ドル、76.3ドル、MOTA17で好適な利得が得られる。
コードはhttps://github.com/JudasDie/SOTSで公開されている。
関連論文リスト
- Lost and Found: Overcoming Detector Failures in Online Multi-Object Tracking [15.533652456081374]
マルチオブジェクト追跡(MOT)は、時間とともに複数のオブジェクトのアイデンティティと位置を正確に推定する。
現代の検出器は、あるフレーム内のいくつかのオブジェクトを見逃すことがあるため、トラッカーは早めに追跡をやめる。
オンラインTbDシステムと互換性のある汎用フレームワークであるBUSCAを提案する。
論文 参考訳（メタデータ） (2024-07-14T10:45:12Z) - MapTrack: Tracking in the Map [14.991113420276767]
Multi-Object Tracking (MOT) は、各ターゲットに対する安定トラジェクトリと未中断トラジェクトリの維持を目的としている。
ほとんどの最先端のアプローチは、まず各フレーム内のオブジェクトを検出し、次に新しい検出と既存のトラックの間のデータ関連を実装する。
本稿では,確率マップ,予測マップ,共分散適応カルマンフィルタの3つの軽量・プラグアンドプレイアルゴリズムからなる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-20T12:35:23Z) - 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) - ByteTrack: Multi-Object Tracking by Associating Every Detection Box [51.93588012109943]
マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
ほとんどの方法は、スコアがしきい値よりも高い検出ボックスを連想させることでアイデンティティを得る。
本稿では,BYTEと呼ばれるシンプルで効果的で汎用的なアソシエーション手法を提案する。
論文 参考訳（メタデータ） (2021-10-13T17:01:26Z) - Multi-object Tracking with Tracked Object Bounding Box Association [18.539658212171062]
CenterTrack Trackingアルゴリズムは,単純な検出モデルと単一フレーム空間オフセットを用いて,最先端のトラッキング性能を実現する。
本研究では,CenterTrackアルゴリズムに,現在のフレームに基づく単純なトラッキングオブジェクトバウンディングボックスと重複予測を組み込むことを提案する。
論文 参考訳（メタデータ） (2021-05-17T14:32:47Z) - Tracklets Predicting Based Adaptive Graph Tracking [51.352829280902114]
マルチオブジェクト追跡,すなわち textbfTPAGT のための,正確かつエンドツーエンドの学習フレームワークを提案する。
動作予測に基づいて、現在のフレーム内のトラックレットの特徴を再抽出する。
論文 参考訳（メタデータ） (2020-10-18T16:16:49Z) - Towards Accurate Pixel-wise Object Tracking by Attention Retrieval [50.06436600343181]
本稿では,バックボーンの特徴に対するソフト空間制約を実現するために,アテンション検索ネットワーク(ARN)を提案する。
私たちは40fpsで動作しながら、最近のピクセルワイドオブジェクトトラッキングベンチマークであるVOT 2020に最先端のベンチマークを新たに設定しました。
論文 参考訳（メタデータ） (2020-08-06T16:25:23Z) - Chained-Tracker: Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。
鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
論文 参考訳（メタデータ） (2020-07-29T02:38:49Z)
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。