論文の概要: Detection Recovery in Online Multi-Object Tracking with Sparse Graph Tracker

• arxiv url: http://arxiv.org/abs/2205.00968v1
• Date: Mon, 2 May 2022 15:09:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 15:36:54.891576
• Title: Detection Recovery in Online Multi-Object Tracking with Sparse Graph Tracker
• Title（参考訳）: スパースグラフトラッカを用いたオンラインマルチオブジェクトトラッキングにおける検出回復
• Authors: Jeongseok Hyun, Myunggu Kang, Dongyoon Wee, Dit-Yan Yeung
• Abstract要約: 共同物体検出とオンラインマルチオブジェクト追跡(JDT)手法が最近提案され, ワンショットトラッキングが実現されている。 本稿では,連続フレームの検出候補を関連づけつつ,欠落検出を復元する新しいJDTモデルを提案する。 提案モデルであるSparse Graph Tracker (SGT) は,映像データをグラフに変換する。
• 参考スコア（独自算出の注目度）: 10.998075408170259
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Joint object detection and online multi-object tracking (JDT) methods have been proposed recently to achieve one-shot tracking. Yet, existing works overlook the importance of detection itself and often result in missed detections when confronted by occlusions or motion blurs. The missed detections affect not only detection performance but also tracking performance due to inconsistent tracklets. Hence, we propose a new JDT model that recovers the missed detections while associating the detection candidates of consecutive frames by learning object-level spatio-temporal consistency through edge features in a Graph Neural Network (GNN). Our proposed model Sparse Graph Tracker (SGT) converts video data into a graph, where the nodes are top-$K$ scored detection candidates, and the edges are relations between the nodes at different times, such as position difference and visual similarity. Two nodes are connected if they are close in either a Euclidean or feature space, generating a sparsely connected graph. Without motion prediction or Re-Identification (ReID), the association is performed by predicting an edge score representing the probability that two connected nodes refer to the same object. Under the online setting, our SGT achieves state-of-the-art (SOTA) on the MOT17/20 Detection and MOT16/20 benchmarks in terms of AP and MOTA, respectively. Especially, SGT surpasses the previous SOTA on the crowded dataset MOT20 where partial occlusion cases are dominant, showing the effectiveness of detection recovery against partial occlusion. Code will be released at https://github.com/HYUNJS/SGT.
• Abstract（参考訳）: 共同物体検出とオンラインマルチオブジェクト追跡(JDT)手法が最近提案され, ワンショットトラッキングが実現されている。 しかし、既存の研究は検出自体の重要性を見落としており、オクルージョンや動きのぼやけに直面すると検出を見逃してしまうことが多い。 欠落検出は検出性能だけでなく、トラックレットの不整合によるトラッキング性能にも影響を及ぼす。 そこで我々は,グラフニューラルネットワーク(GNN)のエッジ特徴によるオブジェクトレベルの時空間一貫性を学習することにより,連続フレームの検出候補を関連づけつつ,誤り検出を復元する新しいJDTモデルを提案する。 提案モデルであるSparse Graph Tracker (SGT) は,画像データをグラフに変換し,ノードが上位$K$のスコア付き検出候補であり,エッジが位置差や視覚的類似性など,異なるタイミングでノード間の関係を示す。 2つのノードはユークリッド空間または特徴空間に近く、疎連結グラフを生成するときに連結である。 動き予測や再同定(ReID)がなければ、2つの接続されたノードが同じオブジェクトを参照する確率を表すエッジスコアを予測してアソシエーションを行う。 オンライン環境下では,MOT17/20 と MOT16/20 のベンチマークをそれぞれ AP と MOTA のそれぞれで達成している。 特に、SGTは、部分閉塞症例が支配的な混雑したデータセットMOT20のSOTAを上回り、部分閉塞に対する検出回復の有効性を示す。 コードはhttps://github.com/hyunjs/sgtでリリースされる。

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)
• Effective In-vehicle Intrusion Detection via Multi-view Statistical Graph Learning on CAN Messages [9.04771951523525]
  車両内ネットワーク(IVN)は、様々な複雑な外部サイバー攻撃に直面している。 現在の主流侵入検知機構では、粗粒度しか認識できない。 本稿では,多視点統計グラフ学習の効果的な侵入検出法であるStatGraphを提案する。
  論文  参考訳（メタデータ） (2023-11-13T03:49:55Z)
• Joint Counting, Detection and Re-Identification for Multi-Object Tracking [8.89262850257871]
  混雑したシーンでは、共同検出と追跡は通常、ミスや誤検出のために正確なオブジェクト関連を見つけることができない。 混み合ったシーンに適したエンドツーエンドフレームワークであるCountingMOTで、カウント、検出、再識別を共同でモデル化する。 提案したMOTトラッカーは、オンラインとリアルタイムのトラッキングが可能で、公開ベンチマークMOT16(79.7のMOTA)、MOT17(81.3%のMOTA)、MOT20(78.9%のMOTA)の最先端結果が得られる。
  論文  参考訳（メタデータ） (2022-12-12T12:53:58Z)
• Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
  我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。 領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。 大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
  論文  参考訳（メタデータ） (2022-08-22T04:47:40Z)
• 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)
• Track to Detect and Segment: An Online Multi-Object Tracker [81.15608245513208]
  TraDeSは、エンドツーエンドの検出を支援するために追跡の手がかりを利用するオンライン共同検出および追跡モデルです。 TraDeSは、以前のオブジェクトの機能を伝播するために使用されるコストボリュームでオブジェクト追跡オフセットを推測します。
  論文  参考訳（メタデータ） (2021-03-16T02:34:06Z)
• 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)
• 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)
• Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
  そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。 鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
  論文  参考訳（メタデータ） (2020-07-29T02:38:49Z)
• 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。