論文の概要: Exploring Simple 3D Multi-Object Tracking for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2108.10312v1
- Date: Mon, 23 Aug 2021 17:59:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 15:38:58.208592
- Title: Exploring Simple 3D Multi-Object Tracking for Autonomous Driving
- Title（参考訳）: 自律運転のための簡易な3次元多物体追跡
- Authors: Chenxu Luo, Xiaodong Yang, Alan Yuille
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.921208239968827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D multi-object tracking in LiDAR point clouds is a key ingredient for
self-driving vehicles. Existing methods are predominantly based on the
tracking-by-detection pipeline and inevitably require a heuristic matching step
for the detection association. In this paper, we present SimTrack to simplify
the hand-crafted tracking paradigm by proposing an end-to-end trainable model
for joint detection and tracking from raw point clouds. Our key design is to
predict the first-appear location of each object in a given snippet to get the
tracking identity and then update the location based on motion estimation. In
the inference, the heuristic matching step can be completely waived by a simple
read-off operation. SimTrack integrates the tracked object association, newborn
object detection, and dead track killing in a single unified model. We conduct
extensive evaluations on two large-scale datasets: nuScenes and Waymo Open
Dataset. Experimental results reveal that our simple approach compares
favorably with the state-of-the-art methods while ruling out the heuristic
matching rules.
- Abstract（参考訳）: lidar point cloudの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だ。
既存の手法は主に追跡・検出パイプラインに基づいており、検出関連のために必然的にヒューリスティックマッチングステップを必要とする。
本稿では,手作りの追跡パラダイムを簡素化するために,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。
我々のキーとなる設計は、与えられたスニペット内の各オブジェクトの最初の位置を予測し、トラッキングIDを取得し、その位置をモーション推定に基づいて更新することである。
推測において、ヒューリスティックマッチングステップは、単純な読み出し操作により完全に放棄することができる。
SimTrackは、追跡対象関連、新しく生まれたオブジェクト検出、デッドトラックキラーを単一の統一モデルに統合する。
我々は、nuScenesとWaymo Open Datasetの2つの大規模データセットに対して広範な評価を行う。
実験の結果,提案手法はヒューリスティックマッチングルールを除外しつつ,最先端手法と好適に比較できることがわかった。
関連論文リスト
- SeMoLi: What Moves Together Belongs Together [51.72754014130369]
動作手がかりに基づく半教師付き物体検出に挑戦する。
近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。
我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
論文 参考訳（メタデータ） (2024-02-29T18:54:53Z) - Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR
based 3D Object Detection [50.959453059206446]
本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。
まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。
従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
論文 参考訳（メタデータ） (2023-04-24T17:59:05Z) - You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。
多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
論文 参考訳（メタデータ） (2023-04-18T02:45:18Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳（メタデータ） (2022-11-01T20:59:38Z) - InterTrack: Interaction Transformer for 3D Multi-Object Tracking [9.283656931246645]
3Dマルチオブジェクトトラッキング(MOT)は、自動運転車にとって重要な問題である。
提案手法であるInterTrackは,データアソシエーションのための識別対象表現を生成する。
我々はnuScenes 3D MOTベンチマークのアプローチを検証する。
論文 参考訳（メタデータ） (2022-08-17T03:24:36Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳（メタデータ） (2021-04-23T17:59:28Z) - Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。
移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-12T15:30:02Z) - DEFT: Detection Embeddings for Tracking [3.326320568999945]
我々は,DEFT と呼ばれる効率的な関節検出・追跡モデルを提案する。
提案手法は,外見に基づくオブジェクトマッチングネットワークと,下層のオブジェクト検出ネットワークとの協調学習に依存している。
DEFTは2Dオンライントラッキングリーダーボードのトップメソッドに匹敵する精度とスピードを持っている。
論文 参考訳（メタデータ） (2021-02-03T20:00:44Z) - Probabilistic 3D Multi-Modal, Multi-Object Tracking for Autonomous
Driving [22.693895321632507]
異なる訓練可能なモジュールからなる確率的、マルチモーダル、マルチオブジェクトトラッキングシステムを提案する。
本手法はNuScenes Trackingデータセットの現在の状態を上回っていることを示した。
論文 参考訳（メタデータ） (2020-12-26T15:00:54Z) - Tracking from Patterns: Learning Corresponding Patterns in Point Clouds
for 3D Object Tracking [34.40019455462043]
本稿では,時間点雲データから3次元オブジェクト対応を学習し,対応パターンから動き情報を推測する。
提案手法は,KITTIと大規模Nuscenesデータセットの双方において,既存の3次元追跡手法を超えている。
論文 参考訳（メタデータ） (2020-10-20T06:07:20Z) - Chained-Tracker: Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。
鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
論文 参考訳（メタデータ） (2020-07-29T02:38:49Z)
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。