論文の概要: Reliable Multi-Object Tracking in the Presence of Unreliable Detections
- arxiv url: http://arxiv.org/abs/2112.08345v1
- Date: Wed, 15 Dec 2021 18:53:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 15:11:02.089153
- Title: Reliable Multi-Object Tracking in the Presence of Unreliable Detections
- Title(参考訳): 信頼できない検出の存在下での信頼性の高いマルチオブジェクト追跡
- Authors: Travis Mandel, Mark Jimenez, Emily Risley, Taishi Nammoto, Rebekka
Williams, Max Panoff, Meynard Ballesteros, Bobbie Suarez
- Abstract要約: 本稿では,ロバスト信頼トラッキング(RCT)を提案する。
RCTは基本的に異なるアプローチをとり、トラックの正確な検出信頼度、トラックの拡張、トラックのフィルタリングに頼っている。
FISHTRACの評価において,不完全な検出を行う場合,RCTは他のアルゴリズムよりも優れることがわかった。
- 参考スコア(独自算出の注目度): 1.8718768859805923
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent multi-object tracking (MOT) systems have leveraged highly accurate
object detectors; however, training such detectors requires large amounts of
labeled data. Although such data is widely available for humans and vehicles,
it is significantly more scarce for other animal species. We present Robust
Confidence Tracking (RCT), an algorithm designed to maintain robust performance
even when detection quality is poor. In contrast to prior methods which discard
detection confidence information, RCT takes a fundamentally different approach,
relying on the exact detection confidence values to initialize tracks, extend
tracks, and filter tracks. In particular, RCT is able to minimize identity
switches by efficiently using low-confidence detections (along with a single
object tracker) to keep continuous track of objects. To evaluate trackers in
the presence of unreliable detections, we present a challenging real-world
underwater fish tracking dataset, FISHTRAC. In an evaluation on FISHTRAC as
well as the UA-DETRAC dataset, we find that RCT outperforms other algorithms
when provided with imperfect detections, including state-of-the-art deep single
and multi-object trackers as well as more classic approaches. Specifically, RCT
has the best average HOTA across methods that successfully return results for
all sequences, and has significantly less identity switches than other methods.
- Abstract(参考訳): 近年のマルチオブジェクトトラッキング(mot)システムは高精度な物体検出器を活用しているが、そのような検出器の訓練には大量のラベル付きデータが必要である。
このようなデータは人間や車には広く見られるが、他の動物種にははるかに少ない。
我々は,検出品質が貧弱であってもロバストな性能を維持するためのアルゴリズムであるロバスト信頼度追跡(rct)を提案する。
検出信頼情報を破棄する従来の手法とは対照的に、RCTは、トラックの初期化、拡張トラック、フィルタトラックの正確な検出信頼値を頼りに、根本的に異なるアプローチをとっている。
特に、RCTは、(単一のオブジェクトトラッカーとともに)低信頼度検出を用いて、オブジェクトの連続的な追跡を効率的に行うことにより、アイデンティティスイッチを最小化することができる。
信頼性の低い検出の存在下での追跡者評価のために,実世界の水中魚追跡データセットfishtracを提案する。
FISHTRACおよびUA-DETRACデータセットの評価において、RTTは、最先端のディープ・シングル・マルチオブジェクト・トラッカーやより古典的なアプローチを含む不完全な検出を行う場合、他のアルゴリズムよりも優れることがわかった。
具体的には、RCTは、すべてのシーケンスに対して結果を返すのに成功するメソッドで最高の平均HOTAを持ち、他のメソッドよりもはるかに少ないIDスイッチを持つ。
関連論文リスト
- UncertaintyTrack: Exploiting Detection and Localization Uncertainty in
Multi-Object Tracking [9.716201630968433]
マルチオブジェクトトラッキング(MOT)手法は近年,性能が大幅に向上している。
複数のTBDトラッカーに適用可能なエクステンションのコレクションであるUncertaintyTrackを紹介します。
バークレーディープドライブMOTデータセットの実験では、我々の手法と情報的不確実性推定の組み合わせにより、IDスイッチの数を約19%削減している。
論文 参考訳(メタデータ) (2024-02-19T17:27:04Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。
トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。
検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
論文 参考訳(メタデータ) (2023-05-16T15:18:42Z) - Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for
Autonomous Driving [91.39625612027386]
我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。
具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。
この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
論文 参考訳(メタデータ) (2023-02-08T07:11:36Z) - QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple
Object Tracking [73.52284039530261]
本稿では,コントラスト学習のために,画像上に数百のオブジェクト領域を密集した擬似Dense類似性学習を提案する。
得られた特徴空間は、オブジェクトアソシエーションの推論時間において、単純な近接探索を許容する。
我々の類似性学習方式は,ビデオデータに限らず,静的入力でも有効なインスタンス類似性を学ぶことができることを示す。
論文 参考訳(メタデータ) (2022-10-12T15:47:36Z) - On the detection-to-track association for online multi-object tracking [30.883165972525347]
トラックの歴史的外観距離をインクリメンタルなガウス混合モデル(IGMM)でモデル化するハイブリッドトラックアソシエーションアルゴリズムを提案する。
3つのMOTベンチマークによる実験結果から,HTAが目標識別性能を向上し,追跡速度に多少の妥協を施すことが確認された。
論文 参考訳(メタデータ) (2021-07-01T14:44:12Z) - Global Correlation Network: End-to-End Joint Multi-Object Detection and
Tracking [2.749204052800622]
本稿では,global correlation network (gcnet) という,エンドツーエンドでマルチオブジェクト検出と追跡を行うネットワークを提案する。
gcnetはオフセット予測の代わりに絶対サイズと境界ボックスの座標の回帰のためにグローバル相関層を導入する。
GCNetによる検出と追跡のパイプラインは概念的にはシンプルで、非最大抑制、データアソシエーション、その他の複雑な追跡戦略を必要としない。
論文 参考訳(メタデータ) (2021-03-23T13:16:42Z) - 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) - Tracking-by-Counting: Using Network Flows on Crowd Density Maps for
Tracking Multiple Targets [96.98888948518815]
State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。
混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
論文 参考訳(メタデータ) (2020-07-18T19:51:53Z) - 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) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳(メタデータ) (2020-01-06T13:37:51Z)
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。