論文の概要: Box-Aware Feature Enhancement for Single Object Tracking on Point Clouds

• arxiv url: http://arxiv.org/abs/2108.04728v1
• Date: Tue, 10 Aug 2021 14:45:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:20:15.169919
• Title: Box-Aware Feature Enhancement for Single Object Tracking on Point Clouds
• Title（参考訳）: 点雲上の単一オブジェクト追跡のためのbox-aware機能拡張
• Authors: Chaoda Zheng, Xu Yan, Jiantao Gao, Weibing Zhao, Wei Zhang, Zhen Li, Shuguang Cui
• Abstract要約: 現在の3Dオブジェクト追跡手法は、ターゲットテンプレートと検索領域の特徴比較に基づいてターゲットを追跡する。 本研究では,第1フレームに与えられた真理境界ボックスを強靭なキューとして利用し,対象対象物の特徴記述を強化する。 実験の結果,提案したBATは,KITTIとNuScenesのベンチマークにおいて,最先端のベンチマークよりも優れていたことが確認された。
• 参考スコア（独自算出の注目度）: 30.334797173887175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current 3D single object tracking approaches track the target based on a feature comparison between the target template and the search area. However, due to the common occlusion in LiDAR scans, it is non-trivial to conduct accurate feature comparisons on severe sparse and incomplete shapes. In this work, we exploit the ground truth bounding box given in the first frame as a strong cue to enhance the feature description of the target object, enabling a more accurate feature comparison in a simple yet effective way. In particular, we first propose the BoxCloud, an informative and robust representation, to depict an object using the point-to-box relation. We further design an efficient box-aware feature fusion module, which leverages the aforementioned BoxCloud for reliable feature matching and embedding. Integrating the proposed general components into an existing model P2B, we construct a superior box-aware tracker (BAT). Experiments confirm that our proposed BAT outperforms the previous state-of-the-art by a large margin on both KITTI and NuScenes benchmarks, achieving a 12.8% improvement in terms of precision while running ~20% faster.
• Abstract（参考訳）: 現在の3dシングルオブジェクトトラッキングアプローチは、ターゲットテンプレートと検索エリアの特徴比較に基づいてターゲットを追跡する。 しかし、LiDARスキャンの一般的な閉塞のため、厳密なスパースと不完全な形状の正確な特徴比較を行うのは簡単ではない。 本研究では,第1フレームに与えられた基本真理境界ボックスを強靭なキューとして利用して,対象物の特徴記述を強化することにより,より正確な特徴比較をシンプルかつ効果的に実現する。 特に、まず、ポイント・ツー・ボックス関係を用いてオブジェクトを記述するための、情報的かつロバストな表現であるboxcloudを提案します。 さらに,信頼性の高い機能マッチングと組み込みのために,前述のboxcloudを活用する効率的なbox-aware feature fusionモジュールも設計する。 提案する汎用コンポーネントを既存のモデルP2Bに統合し,より優れたボックス認識トラッカー(BAT)を構築する。 実験によると、提案するbatはkittiベンチマークとnuscenesベンチマークの両方において、以前の最先端を上回っており、20%高速で動作しながら精度が12.8%向上している。

関連論文リスト

• PointOBB-v2: Towards Simpler, Faster, and Stronger Single Point Supervised Oriented Object Detection [14.396629790635474]
  単一点教師付きオブジェクト指向オブジェクト検出が注目され、コミュニティ内で最初の進歩を遂げた。 本稿では,よりシンプルで高速で,より強力な手法であるPointOBB-v2を提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:59:56Z)
• Practical Video Object Detection via Feature Selection and Aggregation [18.15061460125668]
  ビデオオブジェクト検出(VOD)は、オブジェクトの外観における高いフレーム間変動と、いくつかのフレームにおける多様な劣化を懸念する必要がある。 現代のアグリゲーション法のほとんどは、高い計算コストに苦しむ2段階検出器用に調整されている。 この研究は、特徴選択と集約の非常に単純だが強力な戦略を考案し、限界計算コストでかなりの精度を得る。
  論文  参考訳（メタデータ） (2024-07-29T02:12:11Z)
• Point2RBox: Combine Knowledge from Synthetic Visual Patterns for End-to-end Oriented Object Detection with Single Point Supervision [81.60564776995682]
  我々は、ポイント教師付きオブジェクト検出のためのエンドツーエンドソリューションであるPoint2RBoxを提案する。 提案手法は軽量なパラダイムを用いているが,点教師付き代替品間での競合性能を実現する。 特に,本手法は軽量なパラダイムを用いるが,点教師付き代替品間での競合性能を実現する。
  論文  参考訳（メタデータ） (2023-11-23T15:57:41Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• STTracker: Spatio-Temporal Tracker for 3D Single Object Tracking [11.901758708579642]
  ポイントクラウドによる3Dオブジェクトのトラッキングは、3Dコンピュータビジョンにおいて重要なタスクである。 以前の方法は、通常、最後の2つのフレームを入力し、前のフレームのテンプレートポイントクラウドと現在のフレームの検索エリアポイントクラウドを使用する。
  論文  参考訳（メタデータ） (2023-06-30T07:25:11Z)
• MBPTrack: Improving 3D Point Cloud Tracking with Memory Networks and Box Priors [59.55870742072618]
  3Dオブジェクトトラッキングは、自律運転など多くのアプリケーションにおいて、何十年にもわたって重要な問題となっている。 本稿では,過去の情報を活用するメモリ機構を採用したMBPTrackを提案する。
  論文  参考訳（メタデータ） (2023-03-09T07:07:39Z)
• Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
  特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。 このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
  論文  参考訳（メタデータ） (2022-03-22T18:37:11Z)
• 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)
• Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
  位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。 この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
  論文  参考訳（メタデータ） (2021-04-01T10:19:40Z)

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。