論文の概要: Multiple Object Tracking from appearance by hierarchically clustering tracklets

• arxiv url: http://arxiv.org/abs/2210.03355v1
• Date: Fri, 7 Oct 2022 07:04:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 14:10:09.208350
• Title: Multiple Object Tracking from appearance by hierarchically clustering tracklets
• Title（参考訳）: 階層的クラスタリングトラックレットによる外観からの複数物体追跡
• Authors: Andreu Girbau, Ferran Marqu\'es, Shin'ichi Satoh
• Abstract要約: 複数物体追跡における現在のアプローチは、連続するフレームからのオブジェクトと一致させるために、検出とオブジェクトの外観を組み合わせた時間的コヒーレンスに依存している。 本研究では,映像中の物体間の関係の主源として,空間的および時間的先行重み付け因子を用いて物体の出現を探索する。 我々は、時間に近いオブジェクトのインスタンスが外観的に類似すべきという考えを生かし、トラックレットによる最終的なオブジェクトトラックを階層的な方法で構築する。
• 参考スコア（独自算出の注目度）: 16.65329510916639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current approaches in Multiple Object Tracking (MOT) rely on the spatio-temporal coherence between detections combined with object appearance to match objects from consecutive frames. In this work, we explore MOT using object appearances as the main source of association between objects in a video, using spatial and temporal priors as weighting factors. We form initial tracklets by leveraging on the idea that instances of an object that are close in time should be similar in appearance, and build the final object tracks by fusing the tracklets in a hierarchical fashion. We conduct extensive experiments that show the effectiveness of our method over three different MOT benchmarks, MOT17, MOT20, and DanceTrack, being competitive in MOT17 and MOT20 and establishing state-of-the-art results in DanceTrack.
• Abstract（参考訳）: 現在のMOT(Multiple Object Tracking)のアプローチは、連続したフレームからのオブジェクトと一致させるために、検出とオブジェクトの外観を組み合わせた時空間コヒーレンスに依存する。 本研究では,映像中の物体間の関係の主源としてオブジェクトの外観を用いてMOTを探索し,空間的および時間的先行を重み付け因子として用いた。 我々は、時間に近いオブジェクトのインスタンスが外観的に類似すべきという考えを生かし、トラックレットを階層的な方法で融合させることで、最終的なオブジェクトのトラックを構築する。 我々は,MOT17,MOT20,DanceTrackの3種類のMOTベンチマークに対して,提案手法の有効性を示す広範囲な実験を行い,MOT17とMOT20で競合し,DanceTrackの最先端結果を確立する。

関連論文リスト

• Motion-to-Matching: A Mixed Paradigm for 3D Single Object Tracking [27.805298263103495]
  本稿では,モーションモデリングと特徴マッチングを組み合わせたMTM-Trackerを提案する。 第1段階では、連続した履歴ボックスを先行動作として利用し、ターゲットの粗い位置を特定するエンコーダ・デコーダ構造を提案する。 第2段階では、連続する点雲から動きを認識する特徴を抽出し、それらをマッチングして目標運動を洗練させる特徴相互作用モジュールを導入する。
  論文  参考訳（メタデータ） (2023-08-23T02:40:51Z)
• Delving into Motion-Aware Matching for Monocular 3D Object Tracking [81.68608983602581]
  異なる時間軸に沿った物体の運動キューが3次元多物体追跡において重要であることが判明した。 3つの動き認識コンポーネントからなるフレームワークであるMoMA-M3Tを提案する。 我々はnuScenesとKITTIデータセットに関する広範な実験を行い、MoMA-M3Tが最先端の手法と競合する性能を発揮することを実証した。
  論文  参考訳（メタデータ） (2023-08-22T17:53:58Z)
• TopTrack: Tracking Objects By Their Top [13.020122353444497]
  TopTrackは、オブジェクトの上部を中心ではなくキーポイントとして使用する、共同検出と追跡の手法である。 我々は,検出のキーポイントとしてオブジェクトトップを使用することで,検出ミスの量を削減できることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-04-12T19:00:12Z)
• DanceTrack: Multi-Object Tracking in Uniform Appearance and Diverse Motion [56.1428110894411]
  マルチヒューマントラッキングのための大規模データセットを提案する。 データセットには、主にグループダンスビデオが含まれているので、私たちはそれを"DanceTrack"と名付けます。 当社のデータセット上でいくつかの最先端トラッカーをベンチマークし、既存のベンチマークと比較した場合、DanceTrackの大幅なパフォーマンス低下を観察します。
  論文  参考訳（メタデータ） (2021-11-29T16:49:06Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の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アプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
  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タスクである。 密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。 3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
  論文  参考訳（メタデータ） (2020-07-30T16:39:22Z)
• 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)

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。