論文の概要: EagerMOT: 3D Multi-Object Tracking via Sensor Fusion
- arxiv url: http://arxiv.org/abs/2104.14682v1
- Date: Thu, 29 Apr 2021 22:30:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 13:31:37.983432
- Title: EagerMOT: 3D Multi-Object Tracking via Sensor Fusion
- Title(参考訳): eagermot:センサー融合による3dマルチオブジェクトトラッキング
- Authors: Aleksandr Kim, Aljo\v{s}a O\v{s}ep, Laura Leal-Taix\'e
- Abstract要約: マルチオブジェクトトラッキング(MOT)により、移動ロボットは周囲の物体を3次元空間と時間で位置づけすることで、良好な動作計画とナビゲーションを行うことができる。
既存の方法は、深度センサー(例えばLiDAR)を使用して3D空間のターゲットを検出し追跡するが、信号の間隔が限られているため、検出範囲は限られている。
我々は,両方のセンサモダリティから利用可能な物体を全て統合し,シーンのダイナミックスを適切に解釈する簡易なトラッキング定式化であるeagermotを提案する。
- 参考スコア(独自算出の注目度): 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-object tracking (MOT) enables mobile robots to perform well-informed
motion planning and navigation by localizing surrounding objects in 3D space
and time. Existing methods rely on depth sensors (e.g., LiDAR) to detect and
track targets in 3D space, but only up to a limited sensing range due to the
sparsity of the signal. On the other hand, cameras provide a dense and rich
visual signal that helps to localize even distant objects, but only in the
image domain. In this paper, we propose EagerMOT, a simple tracking formulation
that eagerly integrates all available object observations from both sensor
modalities to obtain a well-informed interpretation of the scene dynamics.
Using images, we can identify distant incoming objects, while depth estimates
allow for precise trajectory localization as soon as objects are within the
depth-sensing range. With EagerMOT, we achieve state-of-the-art results across
several MOT tasks on the KITTI and NuScenes datasets. Our code is available at
https://github.com/aleksandrkim61/EagerMOT.
- Abstract(参考訳): マルチオブジェクトトラッキング(MOT)により、移動ロボットは周囲の物体を3次元空間と時間で位置づけすることで、良好な動作計画とナビゲーションを行うことができる。
既存の手法では、深度センサー(lidarなど)を使用して3d空間でターゲットを検出し追跡するが、信号のスパース性のため検出範囲は限られている。
一方、カメラは密集したリッチな視覚信号を提供し、遠方の物体を位置決めするのに役立ちますが、画像領域に限られます。
本稿では,両方のセンサモダリティから利用可能な物体の全ての観察を熱心に統合し,シーンのダイナミックスを適切に解釈する簡易な追跡定式化であるengagemotを提案する。
画像を用いて、遠方の物体を識別できる一方、深度推定では、物体が深度感知範囲内にあると、正確な軌跡定位が可能となる。
EagerMOTでは、KITTIおよびNuScenesデータセット上の複数のMOTタスクにまたがる最先端の結果が得られます。
私たちのコードはhttps://github.com/aleksandrkim61/eagermotで利用可能です。
関連論文リスト
- RaTrack: Moving Object Detection and Tracking with 4D Radar Point Cloud [10.593320435411714]
レーダベースのトラッキングに適した革新的なソリューションであるRaTrackを紹介します。
本手法は,動き推定モジュールによって強化された動き分割とクラスタリングに焦点を当てる。
RaTrackは移動物体の追跡精度が優れており、最先端の技術をはるかに上回っている。
論文 参考訳(メタデータ) (2023-09-18T13:02:29Z) - Delving into Motion-Aware Matching for Monocular 3D Object Tracking [81.68608983602581]
異なる時間軸に沿った物体の運動キューが3次元多物体追跡において重要であることが判明した。
3つの動き認識コンポーネントからなるフレームワークであるMoMA-M3Tを提案する。
我々はnuScenesとKITTIデータセットに関する広範な実験を行い、MoMA-M3Tが最先端の手法と競合する性能を発揮することを実証した。
論文 参考訳(メタデータ) (2023-08-22T17:53:58Z) - SurroundOcc: Multi-Camera 3D Occupancy Prediction for Autonomous Driving [98.74706005223685]
3Dシーン理解は、視覚に基づく自動運転において重要な役割を果たす。
マルチカメラ画像を用いたSurroundOcc法を提案する。
論文 参考訳(メタデータ) (2023-03-16T17:59:08Z) - TripletTrack: 3D Object Tracking using Triplet Embeddings and LSTM [0.0]
3Dオブジェクトトラッキングは、自動運転システムにおいて重要なタスクである。
本稿では,3次元物体追跡における3重項埋め込みと動作表現の併用について検討する。
論文 参考訳(メタデータ) (2022-10-28T15:23:50Z) - A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。
DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
論文 参考訳(メタデータ) (2022-03-08T17:49:07Z) - DeepFusionMOT: A 3D Multi-Object Tracking Framework Based on
Camera-LiDAR Fusion with Deep Association [8.34219107351442]
本稿では,精度と速度の良好なトレードオフを実現するために,カメラ-LiDAR融合型MOT法を提案する。
提案手法は、追跡精度と処理速度の両方の観点から、最先端MOT法に対して明らかな利点を示す。
論文 参考訳(メタデータ) (2022-02-24T13:36:29Z) - CFTrack: Center-based Radar and Camera Fusion for 3D Multi-Object
Tracking [9.62721286522053]
本稿では,レーダとカメラセンサの融合に基づく共同物体検出と追跡のためのエンドツーエンドネットワークを提案する。
提案手法では,物体検出に中心型レーダカメラ融合アルゴリズムを用い,物体関連にグリーディアルゴリズムを用いる。
提案手法は,20.0AMOTAを達成し,ベンチマークにおける視覚ベースの3Dトラッキング手法よりも優れる,挑戦的なnuScenesデータセット上で評価する。
論文 参考訳(メタデータ) (2021-07-11T23:56:53Z) - 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) - Deep Continuous Fusion for Multi-Sensor 3D Object Detection [103.5060007382646]
本稿では,LIDARとカメラを併用して高精度な位置検出を実現する3Dオブジェクト検出器を提案する。
我々は,連続畳み込みを利用して画像とlidar特徴マップを異なるレベルの解像度で融合する,エンドツーエンド学習可能なアーキテクチャを設計した。
論文 参考訳(メタデータ) (2020-12-20T18:43:41Z)
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。