Fugu-MT 論文翻訳(概要): PieTrack: An MOT solution based on synthetic data training and self-supervised domain adaptation

論文の概要: PieTrack: An MOT solution based on synthetic data training and self-supervised domain adaptation

arxiv url: http://arxiv.org/abs/2207.11325v1
Date: Fri, 22 Jul 2022 20:34:49 GMT
ステータス: 処理完了
システム内更新日: 2022-07-26 14:17:39.993969
Title: PieTrack: An MOT solution based on synthetic data training and self-supervised domain adaptation
Title（参考訳）: PieTrack: 合成データトレーニングと自己教師型ドメイン適応に基づくMOTソリューション
Authors: Yirui Wang, Shenghua He, Youbao Tang, Jingyu Chen, Honghao Zhou, Sanliang Hong, Junjie Liang, Yanxin Huang, Ning Zhang, Ruei-Sung Lin, Mei Han
Abstract要約: PieTrackは、事前訓練された重みを使わずに、合成データに基づいて開発されている。提案したマルチスケールアンサンブル推論を利用して,MOT17テストセットで58.7のHOTAスコアを達成した。
参考スコア（独自算出の注目度）: 17.716808322509667
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In order to cope with the increasing demand for labeling data and privacy issues with human detection, synthetic data has been used as a substitute and showing promising results in human detection and tracking tasks. We participate in the 7th Workshop on Benchmarking Multi-Target Tracking (BMTT), themed on "How Far Can Synthetic Data Take us"? Our solution, PieTrack, is developed based on synthetic data without using any pre-trained weights. We propose a self-supervised domain adaptation method that enables mitigating the domain shift issue between the synthetic (e.g., MOTSynth) and real data (e.g., MOT17) without involving extra human labels. By leveraging the proposed multi-scale ensemble inference, we achieved a final HOTA score of 58.7 on the MOT17 testing set, ranked third place in the challenge.
Abstract（参考訳）: 人間の検出によるデータのラベル付けやプライバシー問題に対処するため、人工データは代用として使われ、人間の検出・追跡タスクにおいて有望な結果を示している。第7回 Benchmarking Multi-Target Tracking (BMTT) ワークショップに参加します。私たちのソリューションであるpietrackは、トレーニング済みの重みを使わずに、合成データに基づいて開発されています。そこで本研究では,合成データ(MOTSynthなど)と実データ(MOT17など)のドメインシフト問題を,人為的なラベルを伴わずに緩和できる自己教師付きドメイン適応手法を提案する。提案したマルチスケールアンサンブル推論を利用して,MOT17テストセットで58.7のHOTAスコアを達成した。

関連論文リスト

Learning Human Action Recognition Representations Without Real Humans [66.61527869763819]
そこで本研究では,仮想人間を含む合成データを用いて,実世界の映像を活用してモデルを事前学習するベンチマークを提案する。次に、このデータに基づいて学習した表現を、下流行動認識ベンチマークの様々なセットに転送可能であるかを評価する。私たちのアプローチは、以前のベースラインを最大5%上回ります。
論文参考訳（メタデータ） (2023-11-10T18:38:14Z)
TarGEN: Targeted Data Generation with Large Language Models [51.87504111286201]
TarGENは、高品質な合成データセットを生成するための、多段階のプロンプト戦略である。我々は,LLMが不正確なラベル付きインスタンスを修正できるようにする自己補正法により,TarGENを増強する。合成データセットを元のデータセットと比較した包括的な分析により、データセットの複雑さと多様性の類似または高いレベルが明らかになる。
論文参考訳（メタデータ） (2023-10-27T03:32:17Z)
ParGANDA: Making Synthetic Pedestrians A Reality For Object Detection [2.7648976108201815]
本稿では,GAN(Generative Adversarial Network)を用いて,実データと合成データのギャップを埋めることを提案する。我々のアプローチは、視覚的に可視なサンプルを生成するだけでなく、実際のドメインのラベルも必要としない。
論文参考訳（メタデータ） (2023-07-21T05:26:32Z)
UTOPIA: Unconstrained Tracking Objects without Preliminary Examination via Cross-Domain Adaptation [26.293108793029297]
多重オブジェクト追跡(MOT)は、連続したビデオフレーム内で対象オブジェクトのバウンディングボックスとIDを見つけることを目的としている。完全に教師されたMOTメソッドは、既存のデータセットで高い精度を達成したが、新たに取得したデータセットや新しい未知のドメインではうまく一般化できない。本稿では、まず、ドメイン間の観点からMOT問題に対処し、実際に新しいデータ取得のプロセスを模倣する。既存のデータセットからの新たなクロスドメインMOT適応は、オブジェクトの理解とモデリングに関する人間の知識を事前に定義せずに提案されている。
論文参考訳（メタデータ） (2023-06-16T04:06:15Z)
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)
ZooD: Exploiting Model Zoo for Out-of-Distribution Generalization [65.58562481279023]
PTMのランク付けと特徴選択によるアンサンブルのためのパラダイムであるZooDを提案する。我々は,多様なアウト・オブ・ディストリビューション(OoD)タスクのための35のモデルからなる多様なモデル動物園において,我々のパラダイムを評価する。
論文参考訳（メタデータ） (2022-10-17T16:31:57Z)
GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation [60.07812405063708]
3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。本稿では,本研究分野における最先端技術について述べる。
論文参考訳（メタデータ） (2022-07-20T09:06:07Z)
Bag of Tricks for Domain Adaptive Multi-Object Tracking [4.084199842578325]
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。
論文参考訳（メタデータ） (2022-05-31T08:49:20Z)
MOTSynth: How Can Synthetic Data Help Pedestrian Detection and Tracking? [36.094861549144426]
ビデオ歩行者検出とトラッキングのためのディープラーニング手法は、優れたパフォーマンスを達成するために大量のトレーニングデータを必要とする。レンダリングゲームエンジンを用いたオブジェクト検出と追跡のための大規模で高度に多様な合成データセットMOT Synthを生成する。実験の結果,MOT Synthは,歩行者検出,再識別,セグメンテーション,トラッキングといったタスクの実際のデータを置き換えるために利用できることがわかった。
論文参考訳（メタデータ） (2021-08-21T14:25:25Z)
From Synthetic to Real: Unsupervised Domain Adaptation for Animal Pose Estimation [67.39635503744395]
動物のポーズ推定は近年注目を集めている重要な分野である。既存の作品は、合成データのような他のアクセスしやすいドメインのデータから生成される擬似ラベルでこの問題を回避する。合成データと実データ間の領域ギャップを低減するために,マルチスケールドメイン適応モジュール (MDAM) を設計する。具体的には、内部粗更新ループにおける自己蒸留モジュールと外部微更新ループにおける平均教師を提案し、古いものを徐々に置き換える新しい擬似ラベルを生成する。
論文参考訳（メタデータ） (2021-03-27T08:39:43Z)
UnrealPerson: An Adaptive Pipeline towards Costless Person Re-identification [102.58619642363959]
本稿では,unrealpersonという,非現実的な画像データをフル活用して,トレーニングとデプロイメントの両面でコストを削減する新しいパイプラインを提案する。 3,000のIDと12万のインスタンスで、MSMT17に直接転送されると38.5%のランク-1の精度が得られる。
論文参考訳（メタデータ） (2020-12-08T08:15:30Z)

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。