論文の概要: Quo Vadis: Is Trajectory Forecasting the Key Towards Long-Term Multi-Object Tracking?

• arxiv url: http://arxiv.org/abs/2210.07681v1
• Date: Fri, 14 Oct 2022 10:07:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 17:01:01.588215
• Title: Quo Vadis: Is Trajectory Forecasting the Key Towards Long-Term Multi-Object Tracking?
• Title（参考訳）: quo vadis: 軌道予測は長期的なマルチオブジェクト追跡の鍵なのでしょうか?
• Authors: Patrick Dendorfer, Vladimir Yugay, Aljo\v{s}a O\v{s}ep, Laura Leal-Taix\'e
• Abstract要約: 最先端のオブジェクトトラッカーは、3秒未満のオクルージョンの10%未満しかブリッジしない。 移動エージェントの軌道予測が小さい場合でも,この探索空間は著しく減少することを示す。 これにより、MOTChallengeデータセットの最先端トラッカーを前進させ、長期追跡性能を大幅に向上させることができる。
• 参考スコア（独自算出の注目度）: 1.0753191494611891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent developments in monocular multi-object tracking have been very successful in tracking visible objects and bridging short occlusion gaps, mainly relying on data-driven appearance models. While we have significantly advanced short-term tracking performance, bridging longer occlusion gaps remains elusive: state-of-the-art object trackers only bridge less than 10% of occlusions longer than three seconds. We suggest that the missing key is reasoning about future trajectories over a longer time horizon. Intuitively, the longer the occlusion gap, the larger the search space for possible associations. In this paper, we show that even a small yet diverse set of trajectory predictions for moving agents will significantly reduce this search space and thus improve long-term tracking robustness. Our experiments suggest that the crucial components of our approach are reasoning in a bird's-eye view space and generating a small yet diverse set of forecasts while accounting for their localization uncertainty. This way, we can advance state-of-the-art trackers on the MOTChallenge dataset and significantly improve their long-term tracking performance. This paper's source code and experimental data are available at https://github.com/dendorferpatrick/QuoVadis.
• Abstract（参考訳）: モノクル多物体追跡の最近の進歩は、主にデータ駆動の外観モデルに依存する、可視物体の追跡と短い閉塞ギャップのブリッジに成功している。 最先端のオブジェクトトラッカは,3秒未満のオクルージョンの10%未満をブリッジするのみである。 欠落する鍵は、より長い時間をかけて将来の軌道について推論することである。 直感的には、閉塞ギャップが長ければ長いほど、関連性の可能性に対する探索空間が大きくなる。 本稿では,移動エージェントの軌道予測が小さい場合でも,この探索空間を大幅に削減し,長期追跡の堅牢性を向上させることを示す。 我々の実験は,鳥眼視空間における推論と,その局所的不確かさを考慮しつつ,小型かつ多様な予測群を生成することが,我々のアプローチの重要な要素であることを示唆している。 これにより、MOTChallengeデータセットの最先端トラッカーを前進させ、長期追跡性能を大幅に向上させることができる。 本稿のソースコードと実験データは、https://github.com/dendorferpatrick/quovadis.comで入手できる。

関連論文リスト

• Dense Optical Tracking: Connecting the Dots [82.79642869586587]
  DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。 OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:59:59Z)
• BEVTrack: A Simple and Strong Baseline for 3D Single Object Tracking in Bird's-Eye View [59.283604507093116]
  3Dシングルオブジェクトトラッキング(SOT)はコンピュータビジョンの基本課題であり、自律運転のようなアプリケーションに不可欠なことを証明している。 我々は,Bird's-Eye View(BEV)におけるトラッキングを行う,シンプルだが効果的なベースラインであるBEVTrackを提案する。 3つの大規模データセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-09-05T12:42:26Z)
• MotionTrack: Learning Robust Short-term and Long-term Motions for Multi-Object Tracking [56.92165669843006]
  本研究では,短時間から長期間の軌跡を関連づける統合フレームワークで,堅牢な短期・長期動作を学習するMotionTrackを提案する。 密集した群集に対して,各ターゲットの複雑な動きを推定できる,短時間の軌跡から相互作用認識動作を学習するための新しい対話モジュールを設計する。 極端なオクルージョンのために、ターゲットの履歴軌跡から信頼できる長期動作を学習するための新しいRefind Moduleを構築し、中断された軌跡とそれに対応する検出とを関連付けることができる。
  論文  参考訳（メタデータ） (2023-03-18T12:38:33Z)
• Standing Between Past and Future: Spatio-Temporal Modeling for Multi-Camera 3D Multi-Object Tracking [30.357116118917368]
  本稿では,エンドツーエンドのマルチカメラ3Dマルチオブジェクト追跡フレームワークを提案する。 我々はこれを"Past-and-Future reasoning for Tracking"(PFTrack)と呼ぶ。
  論文  参考訳（メタデータ） (2023-02-07T23:46:34Z)
• Cannot See the Forest for the Trees: Aggregating Multiple Viewpoints to Better Classify Objects in Videos [36.28269135795851]
  本稿では,トラックレットに含まれる複数の視点から情報を集約することで,トラックレットの分類精度を向上させる集合分類器を提案する。 ResNet-101上のQDTrackにメソッドをアタッチするだけで、TAOの検証とテストセットで19.9%と15.7%のTrackAP_50という新しい最先端を実現できます。
  論文  参考訳（メタデータ） (2022-06-05T07:51:58Z)
• 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)
• Detecting Invisible People [58.49425715635312]
  我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。 私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。 第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
  論文  参考訳（メタデータ） (2020-12-15T16:54:45Z)
• 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)
• Tracking the Untrackable [2.0363692474266335]
  人間は、ターゲットが見えない場合でも、ターゲットの軌道を予測して、ターゲットをキャッチアップすることができる。 近年の心理学では、人類が未来の精神像を造ることも示されている。 将来のフレームの視覚的特徴埋め込みを予測できるHAllucinating Features to Trackモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-17T16:17:21Z)

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。