論文の概要: Transformer-based assignment decision network for multiple object tracking

• arxiv url: http://arxiv.org/abs/2208.03571v3
• Date: Thu, 08 May 2025 13:30:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.442513
• Title: Transformer-based assignment decision network for multiple object tracking
• Title（参考訳）: 変圧器を用いた複数物体追跡のための割当て決定ネットワーク
• Authors: Athena Psalta, Vasileios Tsironis, Konstantinos Karantzalos,
• Abstract要約: 本稿では,データアソシエーションに取り組むトランスフォーマーベースのアサインメント決定ネットワーク(TADN)について,推論中に明示的な最適化を必要とせずに紹介する。 提案手法は,トラッカーとしての単純な性質にもかかわらず,ほとんどの評価指標において高い性能を示す。
• 参考スコア（独自算出の注目度）: 2.2920634931825803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data association is a crucial component for any multiple object tracking (MOT) method that follows the tracking-by-detection paradigm. To generate complete trajectories such methods employ a data association process to establish assignments between detections and existing targets during each timestep. Recent data association approaches try to solve either a multi-dimensional linear assignment task or a network flow minimization problem or tackle it via multiple hypotheses tracking. However, during inference an optimization step that computes optimal assignments is required for every sequence frame inducing additional complexity to any given solution. To this end, in the context of this work we introduce Transformer-based Assignment Decision Network (TADN) that tackles data association without the need of any explicit optimization during inference. In particular, TADN can directly infer assignment pairs between detections and active targets in a single forward pass of the network. We have integrated TADN in a rather simple MOT framework, designed a novel training strategy for efficient end-to-end training and demonstrated the high potential of our approach for online visual tracking-by-detection MOT on several popular benchmarks, i.e. MOT17, MOT20 and UA-DETRAC. Our proposed approach demonstrates strong performance in most evaluation metrics despite its simple nature as a tracker lacking significant auxiliary components such as occlusion handling or re-identification. The implementation of our method is publicly available at https://github.com/psaltaath/tadn-mot.
• Abstract（参考訳）: データアソシエーション(Data association)は、トラッキング・バイ・検出のパラダイムに従う複数のオブジェクトトラッキング(MOT)メソッドにとって重要なコンポーネントである。 データアソシエーションプロセスを用いて、各タイムステップ中に検出と既存のターゲットとの割り当てを確立する。 近年のデータアソシエーション手法は,多次元線形割り当てタスクやネットワークフローの最小化問題のいずれかを解くか,あるいは複数の仮説追跡によって解決しようとする。 しかし、推論中に最適な割り当てを計算する最適化ステップは、任意の解にさらなる複雑さをもたらす全てのシーケンスフレームに必要である。 この目的のために,データアソシエーションに取り組むトランスフォーマーベースのアサイン決定ネットワーク(TADN)を導入する。 特に、TADNは、ネットワークの単一のフォワードパスにおいて、検出とアクティブターゲット間の割り当てペアを直接推論することができる。 我々は、TADNをかなり単純なMOTフレームワークに統合し、効率的なエンドツーエンドトレーニングのための新しいトレーニング戦略を設計し、MOT17、MOT20、UA-DETRACといったいくつかの人気のあるベンチマーク上で、オンライン視覚追跡MOTに対する我々のアプローチの可能性を示した。 提案手法は,オクルージョンハンドリングや再同定などの重要な補助的要素を欠いたトラッカーとしての単純な性質にもかかわらず,ほとんどの評価指標において高い性能を示す。 我々のメソッドの実装はhttps://github.com/psaltaath/tadn-mot.comで公開されています。

関連論文リスト

• SparseTrack: Multi-Object Tracking by Performing Scene Decomposition based on Pseudo-Depth [84.64121608109087]
  2次元画像から目標の相対的な深さを求めるための擬似深度推定法を提案する。 次に,得られた深度情報を用いて,高密度なターゲットセットを複数のスパースなターゲットサブセットに変換するディープカスケードマッチング(DCM)アルゴリズムを設計する。 擬似深度法とDCM戦略をデータアソシエーションプロセスに統合することにより、SparseTrackと呼ばれる新しいトラッカーを提案する。
  論文  参考訳（メタデータ） (2023-06-08T14:36:10Z)
• S$^3$Track: Self-supervised Tracking with Soft Assignment Flow [45.77333923477176]
  ビデオレベルのアソシエーションラベルを使わずに、自己監督型複数物体追跡について検討する。 オブジェクトアソシエーションのための微分可能なソフトオブジェクト割り当てを提案する。 提案手法は,KITTI,nuScenes,Argoverseのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-05-17T06:25:40Z)
• Sparse Message Passing Network with Feature Integration for Online Multiple Object Tracking [6.510588721127479]
  これらの2つのコントリビューションを持つ単純なオンラインMPNは、多くの最先端手法よりも優れた性能を発揮することを示す実験結果が得られた。 相関法はよく一般化され,私的検出に基づく手法の結果も改善できる。
  論文  参考訳（メタデータ） (2022-12-06T14:10:57Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Multi-object Tracking with a Hierarchical Single-branch Network [31.680667324595557]
  階層的な単一ブランチネットワークに基づくオンライン多目的追跡フレームワークを提案する。 新たなiHOIM損失関数は,2つのサブタスクの目的を統一し,より優れた検出性能を実現する。 MOT16とMOT20データセットの実験結果から,最先端のトラッキング性能が達成できた。
  論文  参考訳（メタデータ） (2021-01-06T12:14:58Z)
• MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
  MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。 我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-01T14:01:53Z)
• FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
  マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。 本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。 このアプローチは、検出と追跡の両方において高い精度を達成する。
  論文  参考訳（メタデータ） (2020-04-04T08:18:00Z)
• A Unified Object Motion and Affinity Model for Online Multi-Object Tracking [127.5229859255719]
  オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。 UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。 我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
  論文  参考訳（メタデータ） (2020-03-25T09:36:43Z)

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。