論文の概要: People Tracking and Re-Identifying in Distributed Contexts: Extension of PoseTReID

• arxiv url: http://arxiv.org/abs/2205.10086v1
• Date: Fri, 20 May 2022 11:06:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 15:13:42.892815
• Title: People Tracking and Re-Identifying in Distributed Contexts: Extension of PoseTReID
• Title（参考訳）: 分散コンテキストにおける人物追跡と再識別: PoseTReIDの拡張
• Authors: Ratha Siv, Matei Mancas, Bernard Gosselin, Dona Valy, Sokchenda Sreng
• Abstract要約: 前報では,リアルタイム2次元多人数追跡のための汎用フレームワークであるPoseTReIDを紹介した。 本稿では,PoseTReIDフレームワークに関するさらなる研究を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In our previous paper, we introduced PoseTReID which is a generic framework for real-time 2D multi-person tracking in distributed interaction spaces where long-term people's identities are important for other studies such as behavior analysis, etc. In this paper, we introduce a further study of PoseTReID framework in order to give a more complete comprehension of the framework. We use a well-known bounding box detector YOLO (v4) for the detection to compare to OpenPose which was used in our last paper, and we use SORT and DeepSORT to compare to centroid which was also used previously, and most importantly for the re-identification, we use a bunch of deep leaning methods such as MLFN, OSNet, and OSNet-AIN with our custom classification layer to compare to FaceNet which was also used earlier in our last paper. By evaluating on our PoseTReID datasets, even though those deep learning re-identification methods are designed for only short-term re-identification across multiple cameras or videos, it is worth showing that they give impressive results which boost the overall tracking performance of PoseTReID framework regardless the type of tracking method. At the same time, we also introduce our research-friendly and open source Python toolbox pyppbox, which is pure written in Python and contains all sub-modules which are used this study along with real-time online and offline evaluations for our PoseTReID datasets. This pyppbox is available on GitHub https://github.com/rathaumons/pyppbox .
• Abstract（参考訳）: 前報では,リアルタイム2次元多人数追跡のための汎用フレームワークであるpositreidについて,行動分析などの他の研究において長期的人物識別が重要である分散インタラクション空間において紹介した。 本稿では,このフレームワークのより完全な理解を実現するため,postereidフレームワークのさらなる研究を紹介する。 前回の論文で使用したOpenPoseと比較するために、よく知られたバウンディングボックス検出器YOLO(v4)を使用し、SORTとDeepSORTを使用して、従来使用されていたセンタロイドと比較し、最も重要な再識別には、MLFN、OSNet、OSNet-AINといった多くのディープリーンメソッドを、前回の論文で使用したFaceNetと比較するために使用しました。 PoseTReIDデータセットを評価することで、これらのディープラーニング再識別方法は、複数のカメラやビデオにまたがる短期的な再識別のために設計されているものの、トラッキング方法に関わらず、PoseTReIDフレームワーク全体のトラッキング性能を高める印象的な結果が得られることが示される。 同時に、調査に親しみやすいオープンソースのPythonツールボックスpyppboxも導入しています。Pythonで書かれたもので、PoseTReIDデータセットのリアルタイムオンラインおよびオフライン評価とともに、この研究で使用されるすべてのサブモジュールが含まれています。 このpyppboxはgithub https://github.com/rathaumons/pyppboxで入手できる。

関連論文リスト

• Keypoint Promptable Re-Identification [76.31113049256375]
  Occluded Person Re-Identification (ReID) は、その外見に基づいて隠蔽された個人をマッチングするメトリクス学習タスクである。 本稿では、入力バウンディングボックスを意味キーポイントの集合で明示的に補完する新しいReID問題の定式化であるKeypoint Promptable ReID(KPR)を紹介する。 我々は4つの人気のあるReIDベンチマークのためのカスタムキーポイントラベルをリリースした。人物検索の実験だけでなく、ポーズトラッキングの実験も、我々の手法が従来の最先端手法を体系的に超越していることを示す。
  論文  参考訳（メタデータ） (2024-07-25T15:20:58Z)
• A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP [0.0]
  時系列データ中の事象を検出するための新しいディープラーニング制御手法を提案する。 これは二項分類ではなく回帰に基づく。 ラベル付きデータセットは必要とせず、各ポイントにラベルが付けられている。 時間ポイントや時間間隔として定義された参照イベントのみを必要とする。
  論文  参考訳（メタデータ） (2023-10-25T09:13:19Z)
• Segment Anything Meets Point Tracking [116.44931239508578]
  本稿では,SAMと長期点追跡を併用した,ポイント中心の対話型ビデオセグメンテーションの新たな手法を提案する。 ゼロショットオープンワールドUnidentified Video Objects(UVO)ベンチマークで直接評価することで,ポイントベーストラッキングのメリットを強調した。 DAVIS, YouTube-VOS, BDD100Kなどの人気ビデオオブジェクトのセグメンテーションと多目的セグメンテーションのベンチマーク実験により, ポイントベースセグメンテーショントラッカーがより優れたゼロショット性能と効率的なインタラクションをもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-07-03T17:58:01Z)
• Camera-Tracklet-Aware Contrastive Learning for Unsupervised Vehicle Re-Identification [4.5471611558189124]
  車両識別ラベルのないマルチカメラ・トラックレット情報を用いたカメラ・トラックレット対応コントラスト学習(CTACL)を提案する。 提案したCTACLは、全車両画像(全車両画像)を複数のカメラレベルの画像に分割し、コントラスト学習を行う。 本稿では,ビデオベースおよび画像ベース車両のRe-IDデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2021-09-14T02:12:54Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)
• Multiple Convolutional Features in Siamese Networks for Object Tracking [13.850110645060116]
  Multiple Features-Siamese Tracker (MFST) は、ロバストな追跡のために複数の階層的な特徴マップを利用する新しい追跡アルゴリズムである。 MFSTは、オブジェクト追跡ベンチマークにおいて標準のサイメムトラッカーよりも高いトラッキング精度を達成する。
  論文  参考訳（メタデータ） (2021-03-01T08:02:27Z)
• PoseTrackReID: Dataset Description [97.7241689753353]
  詩情報は、背景や閉塞音から有用な特徴情報を遠ざけるのに役立つ。 PoseTrackReIDでは、人物のリIDと複数人のポーズトラッキングのギャップを埋めたいと考えています。 このデータセットは、マルチフレームの人物のre-IDに関する現在の最先端メソッドに対する優れたベンチマークを提供する。
  論文  参考訳（メタデータ） (2020-11-12T07:44:25Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)
• DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
  生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
  論文  参考訳（メタデータ） (2020-07-17T20:21:22Z)

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。