論文の概要: SOMPT22: A Surveillance Oriented Multi-Pedestrian Tracking Dataset
- arxiv url: http://arxiv.org/abs/2208.02580v1
- Date: Thu, 4 Aug 2022 11:09:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-05 12:39:35.071588
- Title: SOMPT22: A Surveillance Oriented Multi-Pedestrian Tracking Dataset
- Title（参考訳）: SOMPT22:サーベイランス指向マルチ歩行者追跡データセット
- Authors: Fatih Emre Simsek, Cevahir Cigla, Koray Kayabol
- Abstract要約: 我々はSOMPT22データセットを紹介した。これは、都市監視のための高さ6-8mのポール上の静止カメラから撮影した注釈付きショートビデオを備えた、複数人の追跡のための新しいセットである。
我々は,新しいデータセット上での検出とreIDネットワークの利用方法について,MOTトラッカーをワンショットと2ステージに分類して分析する。
我々の新しいデータセットの実験結果から、SOTAは依然として高効率には程遠いことが示され、シングルショットトラッカーは高速実行と精度を競合性能と一体化するための良い候補である。
- 参考スコア（独自算出の注目度）: 5.962184741057505
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multi-object tracking (MOT) has been dominated by the use of track by
detection approaches due to the success of convolutional neural networks (CNNs)
on detection in the last decade. As the datasets and bench-marking sites are
published, research direction has shifted towards yielding best accuracy on
generic scenarios including re-identification (reID) of objects while tracking.
In this study, we narrow the scope of MOT for surveillance by providing a
dedicated dataset of pedestrians and focus on in-depth analyses of well
performing multi-object trackers to observe the weak and strong sides of
state-of-the-art (SOTA) techniques for real-world applications. For this
purpose, we introduce SOMPT22 dataset; a new set for multi person tracking with
annotated short videos captured from static cameras located on poles with 6-8
meters in height positioned for city surveillance. This provides a more focused
and specific benchmarking of MOT for outdoor surveillance compared to public
MOT datasets. We analyze MOT trackers classified as one-shot and two-stage with
respect to the way of use of detection and reID networks on this new dataset.
The experimental results of our new dataset indicate that SOTA is still far
from high efficiency, and single-shot trackers are good candidates to unify
fast execution and accuracy with competitive performance. The dataset will be
available at: sompt22.github.io
- Abstract（参考訳）: マルチオブジェクトトラッキング(MOT)は、過去10年間の検出において畳み込みニューラルネットワーク(CNN)の成功により、検出アプローチによるトラックの使用によって支配されている。
データセットとベンチマーキングサイトが公開されるにつれ、トラッキング中のオブジェクトの再識別(reID)を含む一般的なシナリオにおいて、研究の方向性は最も正確になっている。
本研究では,歩行者の専用データセットを提供することで,監視のためのmotの範囲を狭め,実世界のアプリケーションにおける最先端(sota)技術の弱みと強みを観察する多目的追跡装置の詳細な分析に焦点をあてる。
都市監視のための高度6-8mのポール上の静止カメラから撮影した注釈付きショートビデオ付きマルチ人追跡用データセットであるSOMPT22を新たに導入する。
これは、公開MOTデータセットと比較して、屋外監視のためのMOTのより集中的で具体的なベンチマークを提供する。
新たなデータセットにおける検出およびreIDネットワークの利用方法に関して,MOTトラッカーをワンショットと2ステージに分類した。
我々の新しいデータセットの実験結果から、SOTAは依然として高効率には程遠いことが示され、シングルショットトラッカーは高速実行と精度を競合性能と一体化するための良い候補である。
データセットは以下の通りである。 sompt22.github.io
関連論文リスト
- OmniTracker: Unifying Object Tracking by Tracking-with-Detection [119.51012668709502]
OmniTrackerは、完全に共有されたネットワークアーキテクチャ、モデルウェイト、推論パイプラインですべてのトラッキングタスクを解決するために提供されている。
LaSOT、TrackingNet、DAVIS16-17、MOT17、MOTS20、YTVIS19を含む7つの追跡データセットの実験は、OmniTrackerがタスク固有の追跡モデルと統合された追跡モデルの両方よりも、オンパーまたはそれ以上の結果を達成することを示した。
論文 参考訳（メタデータ） (2023-03-21T17:59:57Z) - Unified Transformer Tracker for Object Tracking [58.65901124158068]
異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。
SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
論文 参考訳（メタデータ） (2022-03-29T01:38:49Z) - Multi-Object Tracking and Segmentation with a Space-Time Memory Network [12.043574473965318]
トラックレットを関連づける新しいメモリベース機構に基づく多目的追跡とセグメンテーションの手法を提案する。
提案するトラッカーであるMeNToSは、特に長期データアソシエーションの問題に対処する。
論文 参考訳（メタデータ） (2021-10-21T17:13:17Z) - 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) - TDIOT: Target-driven Inference for Deep Video Object Tracking [0.2457872341625575]
本研究では,事前訓練したMask R-CNNディープオブジェクト検出器をベースラインとして採用する。
本研究では,Mask R-CNNのFPN-ResNet101バックボーン上に新しい推論アーキテクチャを導入し,検出と追跡を共同で行う。
提案する単一オブジェクトトラッカであるtdiotは、データアソシエーションに外観類似性に基づく時間マッチングを適用する。
論文 参考訳（メタデータ） (2021-03-19T20:45:06Z) - 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) - 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) - Tracking-by-Counting: Using Network Flows on Crowd Density Maps for
Tracking Multiple Targets [96.98888948518815]
State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。
混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
論文 参考訳（メタデータ） (2020-07-18T19:51:53Z) - TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。
ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。
我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
論文 参考訳（メタデータ） (2020-05-20T21:07:28Z)
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。