論文の概要: Score refinement for confidence-based 3D multi-object tracking

• arxiv url: http://arxiv.org/abs/2107.04327v1
• Date: Fri, 9 Jul 2021 09:40:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 13:40:19.560355
• Title: Score refinement for confidence-based 3D multi-object tracking
• Title（参考訳）: 信頼度に基づく複数物体追跡のためのスコア改善
• Authors: Nuri Benbarka, Jona Schr\"oder, Andreas Zell
• Abstract要約: トラックレットのスコアに応じてトラックレットを終了させながら、時間的整合性に応じてスコアを操作することにより、トラッキング結果が改善されることを示す。 カウントベースの手法と比較すると,AMOTAとMOTAのスコアは一貫して向上している。 AMOTAスコア67.6のnuScenesテスト評価を達成し、これは他の最先端のトラッカーに匹敵するものであった。
• 参考スコア（独自算出の注目度）: 14.853897011640022
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-object tracking is a critical component in autonomous navigation, as it provides valuable information for decision-making. Many researchers tackled the 3D multi-object tracking task by filtering out the frame-by-frame 3D detections; however, their focus was mainly on finding useful features or proper matching metrics. Our work focuses on a neglected part of the tracking system: score refinement and tracklet termination. We show that manipulating the scores depending on time consistency while terminating the tracklets depending on the tracklet score improves tracking results. We do this by increasing the matched tracklets' score with score update functions and decreasing the unmatched tracklets' score. Compared to count-based methods, our method consistently produces better AMOTA and MOTA scores when utilizing various detectors and filtering algorithms on different datasets. The improvements in AMOTA score went up to 1.83 and 2.96 in MOTA. We also used our method as a late-fusion ensembling method, and it performed better than voting-based ensemble methods by a solid margin. It achieved an AMOTA score of 67.6 on nuScenes test evaluation, which is comparable to other state-of-the-art trackers. Code is publicly available at: \url{https://github.com/cogsys-tuebingen/CBMOT}.
• Abstract（参考訳）: マルチオブジェクトトラッキングは、意思決定に有用な情報を提供するため、自律ナビゲーションにおいて重要なコンポーネントである。 多くの研究者は、フレームごとの3D検出をフィルタリングすることで、3D多目的追跡タスクに取り組みましたが、その焦点は主に有用な特徴や適切なマッチングメトリクスを見つけることでした。 我々の研究は追跡システムの無視された部分に焦点を当てている:スコアの洗練とトラックレットの終了。 トラックレットスコアに応じてトラックレットを終了させながら、時間的一貫性に応じてスコアを操作することにより、追跡結果が向上することを示す。 我々は、一致トラックレットのスコアをスコア更新機能で増加させ、一致しないトラックレットのスコアを減少させることによりこれを行う。 数に基づく手法と比較して,様々な検出器とフィルタリングアルゴリズムを異なるデータセットで利用する場合,amotaとmotaスコアが一貫して向上する。 AMOTAのスコアは1.83と2.96まで改善された。 また, 本手法を後期輸液センシング法として使用し, 投票に基づくアンサンブル法よりも有意な性能を示した。 AMOTAスコア67.6のnuScenesテスト評価を達成し、これは他の最先端のトラッカーと同等である。 コードは: \url{https://github.com/cogsys-tuebingen/CBMOT}で公開されている。

関連論文リスト

• Multi-object Tracking by Detection and Query: an efficient end-to-end manner [23.926668750263488]
  従来の検出によるトラッキングと、クエリによる新たなトラッキングだ。 本稿では,学習可能なアソシエータによって達成されるトラッキング・バイ・検出・クエリーのパラダイムを提案する。 トラッキング・バイ・クエリーモデルと比較すると、LAIDは特に訓練効率の高い競合追跡精度を達成している。
  論文  参考訳（メタデータ） (2024-11-09T14:38:08Z)
• 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)
• 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)
• CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object Tracking with Camera-LiDAR Fusion [34.42289908350286]
  3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。 LiDAR法で物体の不規則な動きを正確に追跡することは困難である。 複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-06T14:41:38Z)
• Tracking Every Thing in the Wild [61.917043381836656]
  我々は,新しい測定基準であるTrack Every Thing Accuracy(TETA)を導入し,測定結果を3つのサブファクター(ローカライゼーション,アソシエーション,分類)に分割する。 実験の結果、TETAはトラッカーをより包括的に評価し、TETerはBDD100KとTAOに挑戦する大規模データセットを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2022-07-26T15:37:19Z)
• 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)
• Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
  State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。 混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-18T19:51:53Z)
• 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)
• Probabilistic 3D Multi-Object Tracking for Autonomous Driving [23.036619327925088]
  本手法は,NuScenes Tracking Challengeにおいて初となるオンライン追跡手法を提案する。 提案手法は,カルマンフィルタを用いて対象状態を推定する。 NuScenes 検証とテストセットの実験結果から,本手法は AB3DMOT ベースライン法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-16T06:38:02Z)

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。