論文の概要: City-Scale Multi-Camera Vehicle Tracking Guided by Crossroad Zones
- arxiv url: http://arxiv.org/abs/2105.06623v1
- Date: Fri, 14 May 2021 03:01:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 12:44:13.272977
- Title: City-Scale Multi-Camera Vehicle Tracking Guided by Crossroad Zones
- Title（参考訳）: クロスロードゾーンによる都市規模多カメラ車両追跡
- Authors: Chong Liu and Yuqi Zhang and Hao Luo and Jiasheng Tang and Weihua Chen
and Xianzhe Xu and Fan Wang and Hao Li and Yi-Dong Shen
- Abstract要約: 本稿では,2021年AIシティチャレンジ(AICITY21)におけるトラック3多カメラ車両追跡タスクのソリューションについて述べる。
フレームワークには以下のものがある。
成熟した検出と車両再識別モデルを使用して、ターゲットと外観の特徴を抽出します。
交差路の特性により,トラックレットフィルタ戦略と方向に基づくテンポラリマスクを提案する。
- 参考スコア（独自算出の注目度）: 28.922703073971466
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multi-Target Multi-Camera Tracking has a wide range of applications and is
the basis for many advanced inferences and predictions. This paper describes
our solution to the Track 3 multi-camera vehicle tracking task in 2021 AI City
Challenge (AICITY21). This paper proposes a multi-target multi-camera vehicle
tracking framework guided by the crossroad zones. The framework includes: (1)
Use mature detection and vehicle re-identification models to extract targets
and appearance features. (2) Use modified JDETracker (without detection module)
to track single-camera vehicles and generate single-camera tracklets. (3)
According to the characteristics of the crossroad, the Tracklet Filter Strategy
and the Direction Based Temporal Mask are proposed. (4) Propose Sub-clustering
in Adjacent Cameras for multi-camera tracklets matching. Through the above
techniques, our method obtained an IDF1 score of 0.8095, ranking first on the
leaderboard. The code have released: https://github.com/LCFractal/AIC21-MTMC.
- Abstract（参考訳）: Multi-Target Multi-Camera Trackingは幅広い応用があり、多くの高度な推測と予測の基礎となっている。
本稿では,2021年AIシティチャレンジ(AICITY21)におけるトラック3マルチカメラ車両追跡タスクのソリューションについて述べる。
本稿では,クロスロードゾーンで案内されるマルチターゲットマルチカメラ車両追跡フレームワークを提案する。
1) 目標と外観の特徴を抽出するために, 成熟度検出と車両再識別モデルを使用する。
2) 改良型JDETracker (検出モジュールなし) を用いて単カメラ車両を追跡し, 単カメラトラックレットを生成する。
3) 交差道路の特性により, トラックレットフィルタ戦略と方向に基づく時空間マスクが提案されている。
(4)マルチカメラ・トラックレットマッチングのための隣接カメラにおけるサブクラスタリングの提案
以上の手法により,IDF1スコアが0.8095となり,トップボードにランクインした。
https://github.com/LCFractal/AIC21-MTMC。
関連論文リスト
- The 8th AI City Challenge [57.25825945041515]
2024年版では5トラックが収録され、47か国と地域の726チームから前例のない関心を集めた。
このチャレンジでは、2つのリーダーボードを使ってメソッドを展示し、参加者は新しいベンチマークを設定した。
論文 参考訳（メタデータ） (2024-04-15T03:12:17Z) - Towards Effective Multi-Moving-Camera Tracking: A New Dataset and Lightweight Link Model [4.581852145863394]
Multi-target Multi-camera (MTMC) トラッキングシステムは,SCT ( Single-camera Track) とICT (Inter-camera Track) の2つのモジュールで構成されている。
MTMCの追跡は非常に複雑な作業だが、複数の移動カメラを横切るとさらに困難になる。
同一ターゲットの2つの解離トラックレットを同一カメラ内の完全な軌跡に関連付けることにより、識別スイッチを緩和する。
論文 参考訳（メタデータ） (2023-12-18T09:11:28Z) - ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every
Detection Box [81.45219802386444]
マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間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。
低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。
3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
論文 参考訳（メタデータ） (2023-03-27T15:35:21Z) - Multi-target multi-camera vehicle tracking using transformer-based
camera link model and spatial-temporal information [29.34298951501007]
複数のカメラにまたがる車両の多目的マルチカメラ追跡は、スマートシティとインテリジェントな交通システムを開発する上で重要な応用である。
車両のMTMCTの主な課題は、同一車両のクラス内変動と異なる車両間のクラス間類似性である。
クロスカメラトラッキングを実現するために,空間的・時間的フィルタリングを用いたトランスフォーマーベースカメラリンクモデルを提案する。
論文 参考訳（メタデータ） (2023-01-18T22:27:08Z) - TrackNet: A Triplet metric-based method for Multi-Target Multi-Camera
Vehicle Tracking [0.0]
本稿では,交通映像からのマルチターゲットマルチカメラ(MTMC)車両追跡手法であるTrackNetを提案する。
提案手法は,まずFaster R-CNNを用いて車両のフレーム・バイ・フレーム検出を行い,次いでKalmanフィルタを用いて1台のカメラで検出を追跡し,最終的に3重メトリック学習戦略によってトラックをマッチングする。
論文 参考訳（メタデータ） (2022-05-27T09:40:00Z) - Scalable and Real-time Multi-Camera Vehicle Detection,
Re-Identification, and Tracking [58.95210121654722]
理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。
私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
論文 参考訳（メタデータ） (2022-04-15T12:47:01Z) - LMGP: Lifted Multicut Meets Geometry Projections for Multi-Camera
Multi-Object Tracking [42.87953709286856]
マルチカメラ マルチオブジェクト追跡は、現実のアプリケーションにおいて優れた性能を持つため、コンピュータビジョン分野において現在注目されている。
本稿では,空間時空間昇降型マルチカット定式化に基づく数学的にエレガントなマルチカメラ・マルチオブジェクト追跡手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T14:09:47Z) - Know Your Surroundings: Panoramic Multi-Object Tracking by Multimodality
Collaboration [56.01625477187448]
MMPAT(MultiModality PAnoramic Multi-object Tracking framework)を提案する。
2次元パノラマ画像と3次元点雲を入力とし、マルチモーダルデータを用いて目標軌道を推定する。
提案手法は,検出タスクと追跡タスクの両方においてMMPATが最高性能を達成するJRDBデータセット上で評価する。
論文 参考訳（メタデータ） (2021-05-31T03:16:38Z) - MOTChallenge: A Benchmark for Single-Camera Multiple Target Tracking [72.76685780516371]
単カメラ多目的追跡(MOT)のためのベンチマークMOTChallengeを提案する。
このベンチマークは、歩行者がトラッキングコミュニティで最も研究されているオブジェクトであるため、複数の人を追跡することに重点を置いている。
我々は,最先端トラッカーの分類と広い誤差解析を行う。
論文 参考訳（メタデータ） (2020-10-15T06:52:16Z) - Traffic-Aware Multi-Camera Tracking of Vehicles Based on ReID and Camera
Link Model [43.850588717944916]
MTMCT(Multi-target Multi-camera Tracking)は,スマートシティアプリケーションにおいて重要な技術である。
本稿では,車載用MTMCTフレームワークを提案する。
提案するMTMCTは,CityFlowデータセットを用いて評価し,IDF1の74.93%の新たな最先端性能を実現する。
論文 参考訳（メタデータ） (2020-08-22T08:54:47Z) - Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception
Proposal [87.11988786121447]
本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。
このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。
自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
論文 参考訳（メタデータ） (2020-08-21T20:36:21Z)
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。