論文の概要: DeepScale: An Online Frame Size Adaptation Framework to Accelerate Visual Multi-object Tracking

• arxiv url: http://arxiv.org/abs/2107.10404v1
• Date: Thu, 22 Jul 2021 00:12:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 12:54:33.769691
• Title: DeepScale: An Online Frame Size Adaptation Framework to Accelerate Visual Multi-object Tracking
• Title（参考訳）: deepscale: マルチオブジェクトトラッキングを高速化するオンラインフレームサイズ適応フレームワーク
• Authors: Keivan Nalaie, Rong Zheng
• Abstract要約: DeepScaleは、追跡スループットを高速化するモデルに依存しないフレームサイズ選択アプローチである。 フレームサイズを実行時に適応させることで、トラッキング精度と速度の適切なトレードオフを見つけることができる。 最先端のトラッカーであるDeepScale++と比較して、DeepScaleの亜種であるDeepScale++は、適度な劣化だけで1.57倍の高速化を実現している。
• 参考スコア（独自算出の注目度）: 8.878656943106934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In surveillance and search and rescue applications, it is important to perform multi-target tracking (MOT) in real-time on low-end devices. Today's MOT solutions employ deep neural networks, which tend to have high computation complexity. Recognizing the effects of frame sizes on tracking performance, we propose DeepScale, a model agnostic frame size selection approach that operates on top of existing fully convolutional network-based trackers to accelerate tracking throughput. In the training stage, we incorporate detectability scores into a one-shot tracker architecture so that DeepScale can learn representation estimations for different frame sizes in a self-supervised manner. During inference, based on user-controlled parameters, it can find a suitable trade-off between tracking accuracy and speed by adapting frame sizes at run time. Extensive experiments and benchmark tests on MOT datasets demonstrate the effectiveness and flexibility of DeepScale. Compared to a state-of-the-art tracker, DeepScale++, a variant of DeepScale achieves 1.57X accelerated with only moderate degradation (~ 2.4) in tracking accuracy on the MOT15 dataset in one configuration.
• Abstract（参考訳）: 監視・捜索・救助アプリケーションでは、ローエンドデバイス上でリアルタイムにマルチターゲットトラッキング(MOT)を実行することが重要である。 今日のmotソリューションでは、計算の複雑さが高いディープニューラルネットワークが使用されている。 フレームサイズがトラッキング性能に与える影響を認識し,既存の完全畳み込みネットワークベースのトラッカー上で動作し,トラッキングスループットを高速化するモデルに依存しないフレームサイズ選択手法であるDeepScaleを提案する。 トレーニング段階では,検出可能性スコアをワンショットトラッカアーキテクチャに組み込んで,deepscaleがフレームサイズの異なる表現推定を自己教師付きで学習できるようにする。 ユーザ制御パラメータに基づいた推論では,実行時にフレームサイズを適応することにより,トラッキング精度と速度のトレードオフを適切に検出することができる。 MOTデータセットに関する大規模な実験とベンチマークテストは、DeepScaleの有効性と柔軟性を示している。 最先端のトラッカーであるDeepScale++と比較して、DeepScaleの亜種であるDeepScaleは、1つの構成でMOT15データセット上での精度の追跡において、適度な劣化(~2.4)で1.57Xアクセラレーションを達成している。

関連論文リスト

• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• 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)
• A Bayesian Detect to Track System for Robust Visual Object Tracking and Semi-Supervised Model Learning [1.7268829007643391]
  ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。 本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。 粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2022-05-05T00:18:57Z)
• Learning Dynamic Compact Memory Embedding for Deformable Visual Object Tracking [82.34356879078955]
  本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。 DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
  論文  参考訳（メタデータ） (2021-11-23T03:07:12Z)
• 2nd Place Solution for Waymo Open Dataset Challenge - Real-time 2D Object Detection [26.086623067939605]
  本稿では,画像から2次元物体を検出するリアルタイム手法を提案する。 我々は、加速度RTを活用して、検出パイプラインの推論時間を最適化する。 我々のフレームワークはNvidia Tesla V100 GPU上で45.8ms/frameのレイテンシを実現する。
  論文  参考訳（メタデータ） (2021-06-16T11:32:03Z)
• Faster object tracking pipeline for real time tracking [0.0]
  マルチオブジェクトトラッキング(MOT)は、視覚ベースのアプリケーションにとって難しい実践的問題である。 本稿では,検出に基づく物体追跡手法の高速化に有効な汎用パイプラインについて紹介する。
  論文  参考訳（メタデータ） (2020-11-08T06:33:48Z)
• Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
  本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。 また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
  論文  参考訳（メタデータ） (2020-08-20T08:05:33Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Integration of Regularized l1 Tracking and Instance Segmentation for Video Object Tracking [1.90365714903665]
  本研究では,ディープ・オブジェクト・ディテクターと粒子フィルタ・トラッカーを統合したトラッキング・バイ・検出手法を提案する。 検出器とトラッカーのコンセンサスを確立する新しい観測モデルを定式化する。 変形したオブジェクト境界ボックスを追跡可能な,翻訳,回転,スケーリング,せん断パラメータからなる新しい状態ベクトルを提案する。
  論文  参考訳（メタデータ） (2019-12-30T11:14:14Z)

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。