論文の概要: Immortal Tracker: Tracklet Never Dies

• arxiv url: http://arxiv.org/abs/2111.13672v1
• Date: Fri, 26 Nov 2021 18:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 17:24:02.381105
• Title: Immortal Tracker: Tracklet Never Dies
• Title（参考訳）: 不死のトラッカー:トラックレットは死なない
• Authors: Qitai Wang, Yuntao Chen, Ziqi Pang, Naiyan Wang, Zhaoxiang Zhang
• Abstract要約: 従来のオンライン3Dマルチオブジェクト追跡(DMOT)メソッドは、数フレームの新しい検出に関連付けられていない場合、トラックレットを終了する。 近年の3DMOTシステムでは,早期のトラックレット終了がアイデンティティスイッチの主な原因であることが判明した。 我々は、軌道予測を利用して暗くなった物体のトラックレットを維持する単純な追跡システムであるImmortal Trackerを提案する。
• 参考スコア（独自算出の注目度）: 50.97679119367842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous online 3D Multi-Object Tracking(3DMOT) methods terminate a tracklet when it is not associated with new detections for a few frames. But if an object just goes dark, like being temporarily occluded by other objects or simply getting out of FOV, terminating a tracklet prematurely will result in an identity switch. We reveal that premature tracklet termination is the main cause of identity switches in modern 3DMOT systems. To address this, we propose Immortal Tracker, a simple tracking system that utilizes trajectory prediction to maintain tracklets for objects gone dark. We employ a simple Kalman filter for trajectory prediction and preserve the tracklet by prediction when the target is not visible. With this method, we can avoid 96% vehicle identity switches resulting from premature tracklet termination. Without any learned parameters, our method achieves a mismatch ratio at the 0.0001 level and competitive MOTA for the vehicle class on the Waymo Open Dataset test set. Our mismatch ratio is tens of times lower than any previously published method. Similar results are reported on nuScenes. We believe the proposed Immortal Tracker can offer a simple yet powerful solution for pushing the limit of 3DMOT. Our code is available at https://github.com/ImmortalTracker/ImmortalTracker.
• Abstract（参考訳）: 従来のオンライン3dマルチオブジェクトトラッキング(3dmot)メソッドは、数フレームの新しい検出に関連がない場合にトラックレットを終了させる。 しかし、オブジェクトが一時的に他のオブジェクトに隠されたり、単にFOVから抜け出したりすると、早い段階でトラックレットが終了すると、IDスイッチが発生する。 近年の3DMOTシステムでは,早期のトラックレット終了がアイデンティティスイッチの主な原因であることが判明した。 そこで本研究では、軌道予測を利用して暗くなった物体のトラックレットを維持する簡易追跡システムImmortal Trackerを提案する。 我々は、単純なカルマンフィルタを用いて軌道予測を行い、目標が見えない場合の予測によりトラックレットを保存する。 この方法では、トラックレットの早期停止による96%の車種識別スイッチを回避できる。 Waymo Open Datasetテストセットにおいて,学習パラメータがなければ0.0001レベルのミスマッチ比と,車両クラスに対する競合MOTAを達成できる。 我々のミスマッチ比は、以前公表したどの方法よりも数倍低い。 同様の結果はnuScenesで報告されている。 提案したImmortal Trackerは,3DMOTの限界を押し上げるための,シンプルかつ強力なソリューションを提供する。 私たちのコードはhttps://github.com/ImmortalTracker/ImmortalTrackerで利用可能です。

関連論文リスト

• 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)
• Tracklet-Switch Adversarial Attack against Pedestrian Multi-Object Tracking Trackers [14.135239008740173]
  マルチオブジェクト追跡(MOT)の完全追跡パイプラインに対して,トラックレットスイッチ(TraSw)と呼ばれる新たな逆攻撃手法を提案する。 実験の結果、TraSwは平均して4フレームしか攻撃せず、95%以上の成功率を極端に達成できることがわかった。
  論文  参考訳（メタデータ） (2021-11-17T07:53:45Z)
• ByteTrack: Multi-Object Tracking by Associating Every Detection Box [51.93588012109943]
  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。
  論文  参考訳（メタデータ） (2021-10-13T17:01:26Z)
• Learning to Track Objects from Unlabeled Videos [63.149201681380305]
  本稿では,Unsupervised Single Object Tracker (USOT) をスクラッチから学習することを提案する。 教師なしトラッカーと教師なしトラッカーのギャップを狭めるために,3段階からなる効果的な教師なし学習手法を提案する。 実験の結果、未ラベルのビデオから得られたUSOTは、最先端の教師なしトラッカーよりも大きなマージンでうまく機能していることがわかった。
  論文  参考訳（メタデータ） (2021-08-28T22:10:06Z)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• 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)

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。