論文の概要: SimpleTrack: Understanding and Rethinking 3D Multi-object Tracking
- arxiv url: http://arxiv.org/abs/2111.09621v1
- Date: Thu, 18 Nov 2021 10:57:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 14:42:19.631982
- Title: SimpleTrack: Understanding and Rethinking 3D Multi-object Tracking
- Title（参考訳）: SimpleTrack: 3Dマルチオブジェクト追跡の理解と再考
- Authors: Ziqi Pang, Zhichao Li, Naiyan Wang
- Abstract要約: 3Dマルチオブジェクトトラッキング(MOT)は、近年、多くの新しいベンチマークやアプローチを目撃している。
その進歩と有用性にもかかわらず、その強さと弱点の詳細な分析はまだ得られていない。
現在の3D MOTメソッドを4つの構成部品に分解することで、統一されたフレームワークにまとめる。
- 参考スコア（独自算出の注目度）: 17.351635242415703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D multi-object tracking (MOT) has witnessed numerous novel benchmarks and
approaches in recent years, especially those under the "tracking-by-detection"
paradigm. Despite their progress and usefulness, an in-depth analysis of their
strengths and weaknesses is not yet available. In this paper, we summarize
current 3D MOT methods into a unified framework by decomposing them into four
constituent parts: pre-processing of detection, association, motion model, and
life cycle management. We then ascribe the failure cases of existing algorithms
to each component and investigate them in detail. Based on the analyses, we
propose corresponding improvements which lead to a strong yet simple baseline:
SimpleTrack. Comprehensive experimental results on Waymo Open Dataset and
nuScenes demonstrate that our final method could achieve new state-of-the-art
results with minor modifications.
Furthermore, we take additional steps and rethink whether current benchmarks
authentically reflect the ability of algorithms for real-world challenges. We
delve into the details of existing benchmarks and find some intriguing facts.
Finally, we analyze the distribution and causes of remaining failures in \name\
and propose future directions for 3D MOT. Our code is available at
https://github.com/TuSimple/SimpleTrack.
- Abstract（参考訳）: 3Dマルチオブジェクトトラッキング(MOT)は、特に「トラッキング・バイ・検出」パラダイムの下で、近年多くの新しいベンチマークやアプローチを目撃している。
その進歩と有用性にもかかわらず、その強さと弱点の詳細な分析はまだ得られていない。
本稿では,現在の3D MOT手法を,検出前処理,関連付け,動作モデル,ライフサイクル管理の4つの構成要素に分解することで,統一されたフレームワークにまとめる。
次に、既存のアルゴリズムの障害事例を各コンポーネントに記述し、それらを詳細に調査します。
分析に基づいて、より強力で単純なベースラインであるsimpletrackに繋がる対応する改善を提案する。
Waymo Open Dataset と nuScenes の総合的な実験結果から、我々の最終的な手法は、小さな修正を加えて新しい最先端の成果を得られることを示した。
さらに,現在のベンチマークが実世界の課題に対するアルゴリズムの能力を反映しているかどうかを再考する。
既存のベンチマークの詳細を調べ、興味深い事実を見つけます。
最後に, \name\における障害の分布と原因を分析し, 3次元MOTの今後の方向性を提案する。
私たちのコードはhttps://github.com/tusimple/simpletrackで利用可能です。
関連論文リスト
- MCTrack: A Unified 3D Multi-Object Tracking Framework for Autonomous Driving [10.399817864597347]
本稿では,KITTI, nuScenes, データセット間でのSOTA(State-of-the-art)性能を実現する3Dマルチオブジェクトトラッキング手法であるMCTrackを紹介する。
論文 参考訳（メタデータ） (2024-09-23T11:26:01Z) - Lost and Found: Overcoming Detector Failures in Online Multi-Object Tracking [15.533652456081374]
マルチオブジェクト追跡(MOT)は、時間とともに複数のオブジェクトのアイデンティティと位置を正確に推定する。
現代の検出器は、あるフレーム内のいくつかのオブジェクトを見逃すことがあるため、トラッカーは早めに追跡をやめる。
オンラインTbDシステムと互換性のある汎用フレームワークであるBUSCAを提案する。
論文 参考訳（メタデータ） (2024-07-14T10:45:12Z) - Dense Optical Tracking: Connecting the Dots [82.79642869586587]
DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。
OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
論文 参考訳（メタデータ） (2023-12-01T18:59:59Z) - 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) - Weakly Supervised Monocular 3D Object Detection using Multi-View
Projection and Direction Consistency [78.76508318592552]
モノクロ3Dオブジェクト検出は、その容易なアプリケーションのための自動駆動において、主流のアプローチとなっている。
現在のほとんどの方法は、トレーニングフェーズで使用される真実をラベル付けするために、まだ3Dポイントのクラウドデータに依存しています。
画像にマークされた2次元ラベルだけでモデルを訓練できる,弱教師付きモノクル3次元オブジェクト検出法を提案する。
論文 参考訳（メタデータ） (2023-03-15T15:14:00Z) - Simple Cues Lead to a Strong Multi-Object Tracker [3.7189423451031356]
マルチオブジェクト追跡のための新しいタイプのトラッキング・バイ・ディテクト(TbD)を提案する。
単純な動作モデルと外観特徴を組み合わせることで,強い追跡結果が得られることを示す。
私たちのトラッカーは、MOT17、MOT20、BDD100k、DanceTrackの4つの公開データセットに一般化され、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） (2022-06-09T17:55:51Z) - Exploring Simple 3D Multi-Object Tracking for Autonomous Driving [10.921208239968827]
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。
論文 参考訳（メタデータ） (2021-08-23T17:59:22Z) - 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) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳（メタデータ） (2020-04-16T06:43:11Z) - Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。
このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
論文 参考訳（メタデータ） (2020-03-16T00:29:14Z)
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。