論文の概要: Scalable and Real-time Multi-Camera Vehicle Detection,
Re-Identification, and Tracking
- arxiv url: http://arxiv.org/abs/2204.07442v1
- Date: Fri, 15 Apr 2022 12:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-18 16:48:55.659726
- Title: Scalable and Real-time Multi-Camera Vehicle Detection,
Re-Identification, and Tracking
- Title(参考訳): スケーラブルでリアルタイムなマルチカメラ車両検出,再識別,トラッキング
- Authors: Pirazh Khorramshahi, Vineet Shenoy, Michael Pack, Rama Chellappa
- Abstract要約: 理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。
私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
- 参考スコア(独自算出の注目度): 58.95210121654722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-camera vehicle tracking is one of the most complicated tasks in
Computer Vision as it involves distinct tasks including Vehicle Detection,
Tracking, and Re-identification. Despite the challenges, multi-camera vehicle
tracking has immense potential in transportation applications including speed,
volume, origin-destination (O-D), and routing data generation. Several recent
works have addressed the multi-camera tracking problem. However, most of the
effort has gone towards improving accuracy on high-quality benchmark datasets
while disregarding lower camera resolutions, compression artifacts and the
overwhelming amount of computational power and time needed to carry out this
task on its edge and thus making it prohibitive for large-scale and real-time
deployment. Therefore, in this work we shed light on practical issues that
should be addressed for the design of a multi-camera tracking system to provide
actionable and timely insights. Moreover, we propose a real-time city-scale
multi-camera vehicle tracking system that compares favorably to computationally
intensive alternatives and handles real-world, low-resolution CCTV instead of
idealized and curated video streams. To show its effectiveness, in addition to
integration into the Regional Integrated Transportation Information System
(RITIS), we participated in the 2021 NVIDIA AI City multi-camera tracking
challenge and our method is ranked among the top five performers on the public
leaderboard.
- Abstract(参考訳): マルチカメラの車両追跡は、車両検出、追跡、再識別などの異なるタスクを含むコンピュータビジョンにおいて最も複雑なタスクの1つである。
課題にもかかわらず、マルチカメラ車両の追跡は、速度、ボリューム、オリジンデスティネーション(o-d)、ルーティングデータ生成など、輸送アプリケーションにおいて大きな可能性を秘めている。
近年,マルチカメラトラッキング問題に対処する研究がいくつかある。
しかしながら、高品質なベンチマークデータセットの精度向上に向けた努力の大部分は、低解像度なカメラ解像度、圧縮アーティファクト、その端でこのタスクを実行するのに必要な膨大な計算能力と時間を無視しながら、大規模かつリアルタイムなデプロイメントを禁止している。
そこで本研究では,動作可能なタイムリーな洞察を提供するために,マルチカメラトラッキングシステムの設計に対処すべき実用的課題について述べる。
さらに,実世界の低解像度cctvを理想的かつキュレートされたビデオストリームに代えて処理し,計算集約的な代替手段と比較し,リアルタイム都市規模のマルチカメラ車両追跡システムを提案する。
その効果を示すために,地域統合交通情報システム(ritis)への統合に加えて,2021年のnvidia ai city multi-camera tracking challengeにも参加し,この手法を一般のリーダボード上で上位5位にランクインした。
関連論文リスト
- Multi-Moving Camera Pedestrian Tracking with a New Dataset and Global
Link Model [4.915621537035868]
我々は,マルチターゲットマルチ移動カメラ(MTMC)の追跡に焦点を合わせ,研究コミュニティから注目が集まっている。
既存のほとんどのSCTトラッカーが直面するアイデンティティスイッチの共通問題に対処するために、Linkerと呼ばれる軽量な外見のないグローバルリンクモデルを提案する。
同一ターゲットの2つの解離トラックレットを同一カメラ内の完全な軌跡に関連付けることにより、識別スイッチを緩和する。
論文 参考訳(メタデータ) (2023-12-18T09:11:28Z) - SpikeMOT: Event-based Multi-Object Tracking with Sparse Motion Features [52.213656737672935]
SpikeMOTはイベントベースのマルチオブジェクトトラッカーである。
SpikeMOTはスパイクニューラルネットワークを使用して、オブジェクトに関連するイベントストリームからスパーステンポラルな特徴を抽出する。
論文 参考訳(メタデータ) (2023-09-29T05:13:43Z) - The Interstate-24 3D Dataset: a new benchmark for 3D multi-camera
vehicle tracking [4.799822253865053]
本研究は,道路交通カメラの重なり合う都市州間高速道路に沿って記録された新しい映像データセットを提示し,交通監視状況下でのマルチカメラ3Dオブジェクト追跡を可能にする。
データは、少なくとも16台のカメラのビデオを含む3つのシーンから解放され、合計で57分である。
877,000個の3Dバウンディングボックスと対応するオブジェクトトラックレットは、各カメラの視野に対して完全に正確に注釈付けされ、各シーンごとに空間的かつ時間的に連続した車両軌跡セットに結合される。
論文 参考訳(メタデータ) (2023-08-28T18:43:33Z) - CXTrack: Improving 3D Point Cloud Tracking with Contextual Information [59.55870742072618]
3Dオブジェクトトラッキングは、自律運転など、多くのアプリケーションにおいて重要な役割を果たす。
CXTrackは3次元オブジェクト追跡のためのトランスフォーマーベースのネットワークである。
CXTrackは29FPSで動作しながら最先端のトラッキング性能を実現する。
論文 参考訳(メタデータ) (2022-11-12T11:29:01Z) - Synthehicle: Multi-Vehicle Multi-Camera Tracking in Virtual Cities [4.4855664250147465]
複数の車両の追跡とセグメンテーションのための大規模な合成データセットを複数重なり合うカメラビューと非重なり合うカメラビューで提示する。
データセットは17時間のラベル付きビデオ素材で構成され、64の異なる日、雨、夜のシーンで340台のカメラから記録されている。
論文 参考訳(メタデータ) (2022-08-30T11:36:07Z) - LMGP: Lifted Multicut Meets Geometry Projections for Multi-Camera
Multi-Object Tracking [42.87953709286856]
マルチカメラ マルチオブジェクト追跡は、現実のアプリケーションにおいて優れた性能を持つため、コンピュータビジョン分野において現在注目されている。
本稿では,空間時空間昇降型マルチカット定式化に基づく数学的にエレガントなマルチカメラ・マルチオブジェクト追跡手法を提案する。
論文 参考訳(メタデータ) (2021-11-23T14:09:47Z) - 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) - Real-time 3D Deep Multi-Camera Tracking [13.494550690138775]
本稿では,DMCT(Deep Multi-Camera Tracking)を提案する。
本システムは,リアルタイム性能を維持しつつ,最先端のトラッキング結果を実現する。
論文 参考訳(メタデータ) (2020-03-26T06:08:19Z) - Training-free Monocular 3D Event Detection System for Traffic
Surveillance [93.65240041833319]
既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。
現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。
本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
論文 参考訳(メタデータ) (2020-02-01T04:42:57Z)
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。