論文の概要: Quality Matters: Embracing Quality Clues for Robust 3D Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2208.10976v1
• Date: Tue, 23 Aug 2022 13:47:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:26:22.914008
• Title: Quality Matters: Embracing Quality Clues for Robust 3D Multi-Object Tracking
• Title（参考訳）: 品質問題:ロバストな3dマルチオブジェクトトラッキングのための品質手がかりを受け入れる
• Authors: Jinrong Yang, En Yu, Zeming Li, Xiaoping Li, Wenbing Tao
• Abstract要約: 3次元オブジェクト追跡(MOT)は、3次元オブジェクト検出と2次元MOTの迅速な開発によって大きな成果を上げている。 最近の先進的な研究は一般的に3D MOTにおける関連の手がかりを提供するために、位置、サイズ、速度、外観などの一連のオブジェクト属性を用いる。 本稿では,ロバストなアソシエーションを実現するための重要な基準因子として,品質スコアを活用する品質意識型オブジェクトアソシエーション戦略を提案する。
• 参考スコア（独自算出の注目度）: 30.47607974875308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Multi-Object Tracking (MOT) has achieved tremendous achievement thanks to the rapid development of 3D object detection and 2D MOT. Recent advanced works generally employ a series of object attributes, e.g., position, size, velocity, and appearance, to provide the clues for the association in 3D MOT. However, these cues may not be reliable due to some visual noise, such as occlusion and blur, leading to tracking performance bottleneck. To reveal the dilemma, we conduct extensive empirical analysis to expose the key bottleneck of each clue and how they correlate with each other. The analysis results motivate us to efficiently absorb the merits among all cues, and adaptively produce an optimal tacking manner. Specifically, we present Location and Velocity Quality Learning, which efficiently guides the network to estimate the quality of predicted object attributes. Based on these quality estimations, we propose a quality-aware object association (QOA) strategy to leverage the quality score as an important reference factor for achieving robust association. Despite its simplicity, extensive experiments indicate that the proposed strategy significantly boosts tracking performance by 2.2% AMOTA and our method outperforms all existing state-of-the-art works on nuScenes by a large margin. Moreover, QTrack achieves 48.0% and 51.1% AMOTA tracking performance on the nuScenes validation and test sets, which significantly reduces the performance gap between pure camera and LiDAR based trackers.
• Abstract（参考訳）: 3次元オブジェクト追跡(MOT)は、3次元オブジェクト検出と2次元MOTの迅速な開発によって大きな成果を上げている。 最近の先進的な研究は一般的に3D MOTにおける関連の手がかりを提供するために、位置、サイズ、速度、外観などの一連のオブジェクト属性を用いる。 しかし、閉塞やぼかしなどの視覚ノイズのため、これらの手がかりは信頼性が低く、パフォーマンスボトルネックの追跡に繋がる可能性がある。 ジレンマを明らかにするために、各手がかりの鍵ボトルネックとその相関関係を明らかにするための広範な経験的分析を行う。 分析結果から,全てのキューのメリットを効率よく吸収し,最適なタック法を適応的に生成する。 具体的には,ネットワークを効率的に誘導し,予測対象属性の品質を推定する位置情報と速度品質学習を提案する。 これらの品質評価に基づいて、ロバストなアソシエーションを達成するための重要な基準因子として品質スコアを活用する品質認識オブジェクトアソシエーション(QOA)戦略を提案する。 その単純さにもかかわらず、提案手法は2.2%のAMOTAによるトラッキング性能を大幅に向上させ、提案手法は既存のnuScenesにおける最先端の作業を大きなマージンで上回ることを示す。 さらに、QTrackは、nuScenesバリデーションとテストセットで48.0%と51.1%のAMOTAトラッキング性能を達成し、純粋なカメラとLiDARベースのトラッカーのパフォーマンスギャップを大幅に減らす。

関連論文リスト

• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object Tracking with Camera-LiDAR Fusion [34.42289908350286]
  3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。 LiDAR法で物体の不規則な動きを正確に追跡することは困難である。 複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-06T14:41:38Z)
• Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
  特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。 このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
  論文  参考訳（メタデータ） (2022-03-22T18:37:11Z)
• Distractor-Aware Fast Tracking via Dynamic Convolutions and MOT Philosophy [63.91005999481061]
  実用的長期トラッカーは、典型的には3つの重要な特性を含む。 効率的なモデル設計、効果的なグローバル再検出戦略、堅牢な気晴らし認識メカニズム。 動的畳み込み (d-convs) と多重オブジェクト追跡 (MOT) の哲学を用いて, 注意をそらした高速トラッキングを実現するための2タスクトラッキングフレームワーク(DMTrack)を提案する。 我々のトラッカーはLaSOT, OxUvA, TLP, VOT2018LT, VOT 2019LTベンチマークの最先端性能を実現し, リアルタイム3倍高速に動作させる。
  論文  参考訳（メタデータ） (2021-04-25T00:59:53Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• Robust Ego and Object 6-DoF Motion Estimation and Tracking [5.162070820801102]
  本稿では,動的多体視覚計測における高精度な推定と一貫した追跡性を実現するためのロバストな解を提案する。 セマンティック・インスタンスレベルのセグメンテーションと正確な光フロー推定の最近の進歩を活用して、コンパクトで効果的なフレームワークを提案する。 追従点の品質と運動推定精度を向上させる新しい定式化SE(3)運動と光流が導入された。
  論文  参考訳（メタデータ） (2020-07-28T05:12:56Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。