論文の概要: ByteTrack: Multi-Object Tracking by Associating Every Detection Box

• arxiv url: http://arxiv.org/abs/2110.06864v2
• Date: Thu, 14 Oct 2021 14:07:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 10:42:14.722055
• Title: ByteTrack: Multi-Object Tracking by Associating Every Detection Box
• Title（参考訳）: ByteTrack:すべての検出ボックスに関連付けるマルチオブジェクトトラッキング
• Authors: Yifu Zhang, Peize Sun, Yi Jiang, Dongdong Yu, Zehuan Yuan, Ping Luo, Wenyu Liu, Xinggang Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.93588012109943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-object tracking (MOT) aims at estimating bounding boxes and identities of objects in videos. Most methods obtain identities by associating detection boxes whose scores are higher than a threshold. The objects with low detection scores, e.g. occluded objects, are simply thrown away, which brings non-negligible true object missing and fragmented trajectories. To solve this problem, we present a simple, effective and generic association method, called BYTE, tracking BY associaTing Every detection box instead of only the high score ones. For the low score detection boxes, we utilize their similarities with tracklets to recover true objects and filter out the background detections. We apply BYTE to 9 different state-of-the-art trackers and achieve consistent improvement on IDF1 score ranging from 1 to 10 points. To put forwards the state-of-the-art performance of MOT, we design a simple and strong tracker, named ByteTrack. For the first time, we achieve 80.3 MOTA, 77.3 IDF1 and 63.1 HOTA on the test set of MOT17 with 30 FPS running speed on a single V100 GPU. The source code, pre-trained models with deploy versions and tutorials of applying to other trackers are released at https://github.com/ifzhang/ByteTrack.
• Abstract（参考訳）: 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、スコアが閾値より高い検出ボックスを関連付けることで同一性を得る。 検出スコアの低いオブジェクト(例えばoccluded object)は、単に捨てられるだけで、不要な真のオブジェクトが欠落し、断片化されたトラジェクタになる。 そこで本研究では,高得点のみでなく,すべての検出ボックスを関連付けて追跡する,単純で効果的で汎用的な連想法であるbyteを提案する。 低スコア検出ボックスでは、トラックレットとの類似性を利用して真のオブジェクトを復元し、バックグラウンド検出をフィルタリングする。 BYTEを9種類の最先端トラッカーに適用し、1点から10点までのIDF1スコアを一貫した改善を実現した。 MOTの最先端性能を推し進めるため,我々はByteTrackというシンプルで強力なトラッカーを設計した。 1つのv100 gpu上で30fpsの速度を持つmot17のテストセットで、初めて80.3 mota、77.3 idf1、63.1 hotaを達成しました。 ソースコード、デプロイされたバージョンと他のトラッカーに適用するチュートリアルはhttps://github.com/ifzhang/bytetrack.comで公開されている。

関連論文リスト

• TopTrack: Tracking Objects By Their Top [13.020122353444497]
  TopTrackは、オブジェクトの上部を中心ではなくキーポイントとして使用する、共同検出と追跡の手法である。 我々は,検出のキーポイントとしてオブジェクトトップを使用することで,検出ミスの量を削減できることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-04-12T19:00:12Z)
• 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)
• VariabilityTrack:Multi-Object Tracking with Variable Speed Object Movement [1.6385815610837167]
  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。 環境フィードバックに基づく可変速度カルマンフィルタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-12T12:39:41Z)
• Multi-object Tracking with Tracked Object Bounding Box Association [18.539658212171062]
  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。
  論文  参考訳（メタデータ） (2021-05-17T14:32:47Z)
• 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)
• 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)
• Tracking by Instance Detection: A Meta-Learning Approach [99.66119903655711]
  本稿では,高性能トラッカー構築のための3段階の原理的手法を提案する。 我々は2つの現代的な検出器であるRetinaNetとFCOSをベースに、Retina-MAMLとFCOS-MAMLという2つのトラッカーを構築した。 両方のトラッカーは40FPSでリアルタイムに動作します。
  論文  参考訳（メタデータ） (2020-04-02T05:55:06Z)

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。