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
- Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。
TCBTrackという名前のトラッカーは、複数の公開ベンチマークで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） (2024-07-19T07:48:45Z) - CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。
既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。
顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
論文 参考訳（メタデータ） (2023-09-30T12:30:25Z) - 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) - 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) - 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) - 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) - 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) - Confidence Trigger Detection: Accelerating Real-time Tracking-by-detection Systems [1.6037469030022993]
信頼強化検出(CTD)は、中間状態によく似たフレームのオブジェクト検出を戦略的に回避する革新的な手法である。
CTDは追跡速度を向上するだけでなく、既存の追跡アルゴリズムを超越して精度も維持する。
本実験はCTDフレームワークの堅牢性と汎用性を実証し,資源制約環境におけるリアルタイムトラッキングの実現の可能性を示した。
論文 参考訳（メタデータ） (2019-02-02T01:52:53Z)
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。