Fugu-MT 論文翻訳(概要): Bag of Tricks for Domain Adaptive Multi-Object Tracking

論文の概要: Bag of Tricks for Domain Adaptive Multi-Object Tracking

arxiv url: http://arxiv.org/abs/2205.15609v1
Date: Tue, 31 May 2022 08:49:20 GMT
ステータス: 処理完了
システム内更新日: 2022-06-01 23:57:33.802315
Title: Bag of Tricks for Domain Adaptive Multi-Object Tracking
Title（参考訳）: ドメイン適応型マルチオブジェクトトラッキングのためのバグ・オブ・トリック
Authors: Minseok Seo, Jeongwon Ryu, Kwangjin Yoon
Abstract要約: 提案手法は,既存の検出器とトラッカーを用いて,トラッキング・バイ・ディテクト・パラダイムを用いて構築された。私たちが使ったトラッカーはオンライントラッカーで、新たに受信した検出を既存のトラックにリンクするだけです。 SIA_TrackはBMTT 2022チャレンジでMOT Synth2MOT17トラックで1位となった。
参考スコア（独自算出の注目度）: 4.084199842578325
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, SIA_Track is presented which is developed by a research team from SI Analytics. The proposed method was built from pre-existing detector and tracker under the tracking-by-detection paradigm. The tracker we used is an online tracker that merely links newly received detections with existing tracks. The core part of our method is training procedure of the object detector where synthetic and unlabeled real data were only used for training. To maximize the performance on real data, we first propose to use pseudo-labeling that generates imperfect labels for real data using a model trained with synthetic dataset. After that model soups scheme was applied to aggregate weights produced during iterative pseudo-labeling. Besides, cross-domain mixed sampling also helped to increase detection performance on real data. Our method, SIA_Track, takes the first place on MOTSynth2MOT17 track at BMTT 2022 challenge. The code is available on https://github.com/SIAnalytics/BMTT2022_SIA_track.
Abstract（参考訳）: 本稿では,SI Analytics の研究チームが開発した SIA_Track について述べる。提案手法は追跡・検出パラダイムの下で既存の検出器とトラッカーから構築した。私たちが使ったトラッカーは、新しく受信した検出情報を既存のトラックにリンクするだけのオンライントラッカーです。本手法の中核となるのは, 合成およびラベルなし実データがトレーニングにのみ使用される物体検出器の訓練手順である。実データの性能を最大化するために,まず,合成データセットで学習したモデルを用いて実データに対する不完全なラベルを生成する擬似ラベルを用いることを提案する。その後, 繰り返し擬似ラベル付け時に生成した重み付けにスープスキームを適用した。さらに、クロスドメイン混合サンプリングは、実データの検出性能の向上にも寄与した。 SIA_Trackは、BMTT 2022チャレンジでMOTSynth2MOT17トラックで初となる。コードはhttps://github.com/SIAnalytics/BMTT2022_SIA_trackで公開されている。

関連論文リスト

Learning Data Association for Multi-Object Tracking using Only Coordinates [8.786893621311433]
TransformerベースのモジュールTWiXは、同じオブジェクトから来るトラックのペアと、そうでないトラックのペアを識別する目的で、トラックのセットでトレーニングされている。オンラインカスケードマッチングパイプラインにTWiXを挿入することで、トラッカーC-TWiXはDanceTrackとKITTIMOTデータセット上で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-03-12T18:36:18Z)
Single-Model and Any-Modality for Video Object Tracking [85.83753760853142]
任意のモダリティに対して単一のパラメータセットの統一トラッカーUn-Trackを導入する。任意のモダリティを扱うために,低ランク因子化および再構成手法を用いて,それらの共通潜時空間を学習する。我々のUn-Trackは、+6.6M(93M以上)のパラメータを持つ+2.14(21.50以上)のGFLOPを導入することで、DepthTrackデータセット上で、+8.1絶対Fスコアゲインを達成する。
論文参考訳（メタデータ） (2023-11-27T14:17:41Z)
Bridging the Gap Between End-to-end and Non-End-to-end Multi-Object Tracking [27.74953961900086]
既存のエンドツーエンドのマルチオブジェクト追跡(e2e-MOT)手法は、非エンドツーエンドのトラッキング・バイ・検出手法を超えていない。本稿では,e2e-MOT をシャドウ概念を用いた新しいラベル割り当てにより,簡便かつ効果的な方法である Co-MOT を提案する。
論文参考訳（メタデータ） (2023-05-22T05:18:34Z)
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)
SDTracker: Synthetic Data Based Multi-Object Tracking [8.43201092674197]
SDTrackerは、実世界のシーンの多目的追跡に合成データのポテンシャルを利用する手法である。合成データのスタイルをランダムにするために、ImageNetデータセットを補助的に使用します。また、未ラベルのMOT17トレーニングデータを効果的に活用するために擬似ラベル方式を採用する。
論文参考訳（メタデータ） (2023-03-26T08:21:22Z)
Revisiting Color-Event based Tracking: A Unified Network, Dataset, and Metric [53.88188265943762]
上記の機能を同時に実現したCEUTrack(Color-Event Unified Tracking)のためのシングルステージバックボーンネットワークを提案する。提案するCEUTrackはシンプルで,効率的で,75FPS以上を達成し,新たなSOTA性能を実現している。
論文参考訳（メタデータ） (2022-11-20T16:01:31Z)
Exploring Simple 3D Multi-Object Tracking for Autonomous Driving [10.921208239968827]
LiDARポイントクラウドにおける3Dマルチオブジェクトトラッキングは、自動運転車にとって重要な要素である。既存の手法は、主にトラッキング・バイ・検出パイプラインに基づいており、検出アソシエーションのマッチングステップが必然的に必要である。我々は,手作りの追跡パラダイムをシンプルにするために,原点雲からの共同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モデルを提案する。
論文参考訳（メタデータ） (2021-08-23T17:59:22Z)
Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
論文参考訳（メタデータ） (2020-08-20T08:05:33Z)
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)
Tracking by Instance Detection: A Meta-Learning Approach [99.66119903655711]
本稿では,高性能トラッカー構築のための3段階の原理的手法を提案する。我々は2つの現代的な検出器であるRetinaNetとFCOSをベースに、Retina-MAMLとFCOS-MAMLという2つのトラッカーを構築した。両方のトラッカーは40FPSでリアルタイムに動作します。
論文参考訳（メタデータ） (2020-04-02T05:55:06Z)

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。