論文の概要: Detection Recovery in Online Multi-Object Tracking with Sparse Graph
Tracker
- arxiv url: http://arxiv.org/abs/2205.00968v3
- Date: Tue, 19 Sep 2023 19:04:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 01:07:20.063892
- 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: 既存の共同検出・追跡手法では、従来のトラックレットと現在の検出とを一致させるために、ペアワイズ・リレーショナルな特徴を用いる。
Sparse Graph Tracker (SGT) はより差別的な高次関係特徴を用いた新しいオンライングラフトラッカーである。
MOT16/17/20とHiEve Challengeでは、SGTはリアルタイムの推論速度で最先端のトラッカーを上回っている。
- 参考スコア（独自算出の注目度）: 17.00871668925939
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In existing joint detection and tracking methods, pairwise relational
features are used to match previous tracklets to current detections. However,
the features may not be discriminative enough for a tracker to identify a
target from a large number of detections. Selecting only high-scored detections
for tracking may lead to missed detections whose confidence score is low.
Consequently, in the online setting, this results in disconnections of
tracklets which cannot be recovered. In this regard, we present Sparse Graph
Tracker (SGT), a novel online graph tracker using higher-order relational
features which are more discriminative by aggregating the features of
neighboring detections and their relations. SGT converts video data into a
graph where detections, their connections, and the relational features of two
connected nodes are represented by nodes, edges, and edge features,
respectively. The strong edge features allow SGT to track targets with tracking
candidates selected by top-K scored detections with large K. As a result, even
low-scored detections can be tracked, and the missed detections are also
recovered. The robustness of K value is shown through the extensive
experiments. In the MOT16/17/20 and HiEve Challenge, SGT outperforms the
state-of-the-art trackers with real-time inference speed. Especially, a large
improvement in MOTA is shown in the MOT20 and HiEve Challenge. Code is
available at https://github.com/HYUNJS/SGT.
- Abstract（参考訳）: 既存の共同検出・追跡手法では、従来のトラックレットと現在の検出とをペアでマッチングする。
しかし、この特徴はトラッカーが多数の検出からターゲットを特定するのに十分ではないかもしれない。
追跡のための高感度検出のみを選択すると、信頼度スコアが低い検出を見逃してしまう可能性がある。
その結果、オンライン環境では、回復できないトラックレットが切断される。
本稿では,隣接検出の特徴とその関係を集約することで,より識別性の高い高階関係機能を用いた,新しいオンライングラフトラッカであるsparse graph tracker(sgt)を提案する。
SGTは、ビデオデータをグラフに変換し、検出、接続、および2つの接続ノードのリレーショナル特徴をそれぞれノード、エッジ、エッジ特徴で表現する。
強エッジ機能により、sgtは、top-kスコア検出により選択された追跡候補を大きなkで追跡することが可能となり、その結果、低scored検出であっても追跡可能となり、ミス検出も回収される。
k値のロバスト性は広範な実験によって示される。
MOT16/17/20とHiEve Challengeでは、SGTはリアルタイムの推論速度で最先端のトラッカーを上回っている。
特にMOTAの大幅な改善がMOT20とHiEve Challengeに示されている。
コードはhttps://github.com/hyunjs/sgtで入手できる。
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。