Fugu-MT 論文翻訳(概要): Multi-object Tracking with Tracked Object Bounding Box Association

論文の概要: Multi-object Tracking with Tracked Object Bounding Box Association

arxiv url: http://arxiv.org/abs/2105.07901v1
Date: Mon, 17 May 2021 14:32:47 GMT
ステータス: 処理完了
システム内更新日: 2021-05-18 14:41:38.153618
Title: Multi-object Tracking with Tracked Object Bounding Box Association
Title（参考訳）: tracked object bounding box associationを用いたマルチオブジェクトトラッキング
Authors: Nanyang Yang, Yi Wang and Lap-Pui Chau
Abstract要約: 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。
参考スコア（独自算出の注目度）: 18.539658212171062
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The CenterTrack tracking algorithm achieves state-of-the-art tracking performance using a simple detection model and single-frame spatial offsets to localize objects and predict their associations in a single network. However, this joint detection and tracking method still suffers from high identity switches due to the inferior association method. To reduce the high number of identity switches and improve the tracking accuracy, in this paper, we propose to incorporate a simple tracked object bounding box and overlapping prediction based on the current frame onto the CenterTrack algorithm. Specifically, we propose an Intersection over Union (IOU) distance cost matrix in the association step instead of simple point displacement distance. We evaluate our proposed tracker on the MOT17 test dataset, showing that our proposed method can reduce identity switches significantly by 22.6% and obtain a notable improvement of 1.5% in IDF1 compared to the original CenterTrack's under the same tracklet lifetime. The source code is released at https://github.com/Nanyangny/CenterTrack-IOU.
Abstract（参考訳）: CenterTrack トラッキングアルゴリズムは,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,オブジェクトのローカライズと関連性の予測を行う。しかし, この共同検出・追跡方法は, 結合性が劣るため, 高い同一性スイッチに苦しむ。本稿では,多数のIDスイッチを低減し,トラッキング精度を向上させるために,現在のフレームをベースとした単純な追跡対象境界ボックスと重なり合った予測をCenterTrackアルゴリズムに組み込むことを提案する。具体的には,単純な点変位距離ではなく結合ステップにおける結合距離コスト行列(iou)の交点を提案する。提案したトラッカーをMOT17テストデータセット上で評価した結果,提案手法は同一トラックレット寿命における元のCenterTrackと比較して,IDスイッチを22.6%削減し,IDF1が1.5%向上したことを示す。ソースコードはhttps://github.com/Nanyangny/CenterTrack-IOUで公開されている。

関連論文リスト

ConsistencyTrack: A Robust Multi-Object Tracker with a Generation Strategy of Consistency Model [20.259334882471574]
マルチオブジェクトトラッキング(MOT)は、コンピュータビジョンにおいて重要な技術であり、ビデオシーケンス内の複数のターゲットを検出し、各ターゲットにフレーム毎にユニークなIDを割り当てるように設計されている。既存のMOTメソッドは、様々なシナリオでリアルタイムで複数のオブジェクトを正確に追跡する。本稿では,境界ボックス上の拡散過程として検出と関連を定式化するための新しいConsistencyTrack, Joint Detection and Tracking (JDT) フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-28T05:53:30Z)
SparseTrack: Multi-Object Tracking by Performing Scene Decomposition based on Pseudo-Depth [84.64121608109087]
2次元画像から目標の相対的な深さを求めるための擬似深度推定法を提案する。次に,得られた深度情報を用いて,高密度なターゲットセットを複数のスパースなターゲットサブセットに変換するディープカスケードマッチング(DCM)アルゴリズムを設計する。擬似深度法とDCM戦略をデータアソシエーションプロセスに統合することにより、SparseTrackと呼ばれる新しいトラッカーを提案する。
論文参考訳（メタデータ） (2023-06-08T14:36:10Z)
SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
論文参考訳（メタデータ） (2023-05-16T15:18:42Z)
Revisiting Color-Event based Tracking: A Unified Network, Dataset, and Metric [53.88188265943762]
上記の機能を同時に実現したCEUTrack(Color-Event Unified Tracking)のためのシングルステージバックボーンネットワークを提案する。提案するCEUTrackはシンプルで,効率的で,75FPS以上を達成し,新たなSOTA性能を実現している。
論文参考訳（メタデータ） (2022-11-20T16:01:31Z)
NeighborTrack: Improving Single Object Tracking by Bipartite Matching with Neighbor Tracklets [22.877838749427674]
NeighborTrackは、追跡対象の隣り合う情報を活用して、シングルオブジェクト追跡(SOT)結果の検証と改善を行うポストプロセッサである。バックボーンSOTネットワークによって予測される信頼スコアを使用して、近隣情報を自動的に導出し、この情報を使用して追跡結果を改善する。
論文参考訳（メタデータ） (2022-11-12T13:43:58Z)
QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple Object Tracking [73.52284039530261]
本稿では,コントラスト学習のために,画像上に数百のオブジェクト領域を密集した擬似Dense類似性学習を提案する。得られた特徴空間は、オブジェクトアソシエーションの推論時間において、単純な近接探索を許容する。我々の類似性学習方式は,ビデオデータに限らず,静的入力でも有効なインスタンス類似性を学ぶことができることを示す。
論文参考訳（メタデータ） (2022-10-12T15:47:36Z)
SimpleTrack: Rethinking and Improving the JDE Approach for Multi-Object Tracking [10.969806056391004]
共同検出と埋め込み(JDE)に基づくマルチオブジェクトトラッキング(MOT)における単一のネットワークを持つオブジェクトのバウンディングボックスと埋め込み特性の推定追跡段階において、JDEに基づく手法は、同じルールを適用して、ターゲットの動作情報と外観情報を融合する。本稿では,埋め込みコサイン距離と物体のジョウ距離を組み合わせた新しい相関行列,エンベディングとジョウ行列を提案する。
論文参考訳（メタデータ） (2022-03-08T10:19:35Z)
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)
Exploring Simple 3D Multi-Object Tracking for Autonomous Driving [10.921208239968827]
LiDARポイントクラウドにおける3Dマルチオブジェクトトラッキングは、自動運転車にとって重要な要素である。既存の手法は、主にトラッキング・バイ・検出パイプラインに基づいており、検出アソシエーションのマッチングステップが必然的に必要である。我々は,手作りの追跡パラダイムをシンプルにするために,原点雲からの共同検出と追跡のためのエンドツーエンドのトレーニング可能なモデルを提案する。
論文参考訳（メタデータ） (2021-08-23T17:59:22Z)
Quasi-Dense Similarity Learning for Multiple Object Tracking [82.93471035675299]
本稿では, コントラスト学習のための画像に対して, 数百の領域提案を高密度にサンプリングする準高次類似性学習を提案する。この類似性学習と既存の検出手法を直接組み合わせてQuasi-Dense Tracking(QDTrack)を構築することができる。
論文参考訳（メタデータ） (2020-06-11T17:57:12Z)
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。