論文の概要: RLM-Tracking: Online Multi-Pedestrian Tracking Supported by Relative
Location Mapping
- arxiv url: http://arxiv.org/abs/2210.10477v1
- Date: Wed, 19 Oct 2022 11:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:09:58.024749
- Title: RLM-Tracking: Online Multi-Pedestrian Tracking Supported by Relative
Location Mapping
- Title(参考訳): rlm-tracking: 相対的位置マッピングによるオンラインマルチペデストリアントラッキング
- Authors: Kai Ren, Chuanping Hu
- Abstract要約: マルチオブジェクトトラッキングの問題は、公安、輸送、自動運転車、ロボティクス、人工知能を含む他の領域で広く利用されている、基本的なコンピュータビジョン研究の焦点である。
本稿では、オブジェクト textbfRelative Location Mapping (RLM) モデルと textbfTarget Region Density (TRD) モデルを含む、上記の問題に対する新しいマルチオブジェクトトラッカーを設計する。
新しいトラッカーは、オブジェクト間の位置関係の違いに敏感である。
物体の密度に応じてリアルタイムで異なる領域に低スコア検出フレームを導入することができる
- 参考スコア(独自算出の注目度): 5.9669075749248774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The problem of multi-object tracking is a fundamental computer vision
research focus, widely used in public safety, transport, autonomous vehicles,
robotics, and other regions involving artificial intelligence. Because of the
complexity of natural scenes, object occlusion and semi-occlusion usually occur
in fundamental tracking tasks. These can easily lead to ID switching, object
loss, detect errors, and misaligned limitation boxes. These conditions have a
significant impact on the precision of multi-object tracking. In this paper, we
design a new multi-object tracker for the above issues that contains an object
\textbf{Relative Location Mapping} (RLM) model and \textbf{Target Region
Density} (TRD) model. The new tracker is more sensitive to the differences in
position relationships between objects. It can introduce low-score detection
frames into different regions in real-time according to the density of object
regions in the video. This improves the accuracy of object tracking without
consuming extensive arithmetic resources. Our study shows that the proposed
model has considerably enhanced the HOTA and DF1 measurements on the MOT17 and
MOT20 data sets when applied to the advanced MOT method.
- Abstract(参考訳): マルチオブジェクトトラッキングの問題は、公安、輸送、自動運転車、ロボティクス、人工知能を含む他の領域で広く利用されている、基本的なコンピュータビジョン研究の焦点である。
自然なシーンの複雑さのため、オブジェクトの閉塞と半閉鎖は通常、基本的なトラッキングタスクで発生する。
これにより、idの切り替え、オブジェクトの損失、エラーの検出、制限ボックスのミスアライメントが容易になる。
これらの条件は多物体追跡の精度に大きな影響を及ぼす。
本稿では,上記の問題に対して,オブジェクト \textbf{relative location mapping} (rlm) モデルと \textbf{target region density} (trd) モデルを含む,新たなマルチオブジェクトトラッカを設計する。
新しいトラッカーは、オブジェクト間の位置関係の違いに敏感である。
ビデオ内のオブジェクト領域の密度に応じて、低スコア検出フレームを異なる領域にリアルタイムに導入することができる。
これにより、広範な演算リソースを消費することなく、オブジェクト追跡の精度が向上する。
本研究は,MOT17およびMOT20データセットにおけるHOTAとDF1の測定値を大幅に向上したことを示す。
関連論文リスト
- STCMOT: Spatio-Temporal Cohesion Learning for UAV-Based Multiple Object Tracking [13.269416985959404]
無人航空機(UAV)ビデオにおける複数物体追跡(MOT)は、コンピュータビジョンにおける多様な用途において重要である。
時空間結合型多目的追跡フレームワーク(STCMOT)を提案する。
歴史的埋め込み機能を用いて,ReIDの表現と検出機能を逐次的にモデル化する。
我々のフレームワークはMOTAとIDF1メトリクスで新しい最先端のパフォーマンスを設定します。
論文 参考訳(メタデータ) (2024-09-17T14:34:18Z) - UnsMOT: Unified Framework for Unsupervised Multi-Object Tracking with
Geometric Topology Guidance [6.577227592760559]
UnsMOTは、オブジェクトの外観と運動の特徴と幾何学的情報を組み合わせて、より正確なトラッキングを提供する新しいフレームワークである。
実験結果から, HOTA, IDF1, MOTAの計測値において, 最先端手法と比較して顕著な性能を示した。
論文 参考訳(メタデータ) (2023-09-03T04:58:12Z) - TrajectoryFormer: 3D Object Tracking Transformer with Predictive
Trajectory Hypotheses [51.60422927416087]
3Dマルチオブジェクトトラッキング(MOT)は、自律走行車やサービスロボットを含む多くのアプリケーションにとって不可欠である。
本稿では,新しいポイントクラウドベースの3DMOTフレームワークであるTrjectoryFormerを紹介する。
論文 参考訳(メタデータ) (2023-06-09T13:31:50Z) - DORT: Modeling Dynamic Objects in Recurrent for Multi-Camera 3D Object
Detection and Tracking [67.34803048690428]
本稿では、この問題を解決するためにRecurrenT(DORT)の動的オブジェクトをモデル化することを提案する。
DORTは、重い計算負担を軽減する動き推定のために、オブジェクトワイズローカルボリュームを抽出する。
フレキシブルで実用的で、ほとんどのカメラベースの3Dオブジェクト検出器に差し込むことができる。
論文 参考訳(メタデータ) (2023-03-29T12:33:55Z) - ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every
Detection Box [81.45219802386444]
マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。
3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
論文 参考訳(メタデータ) (2023-03-27T15:35:21Z) - 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) - InterTrack: Interaction Transformer for 3D Multi-Object Tracking [9.283656931246645]
3Dマルチオブジェクトトラッキング(MOT)は、自動運転車にとって重要な問題である。
提案手法であるInterTrackは,データアソシエーションのための識別対象表現を生成する。
我々はnuScenes 3D MOTベンチマークのアプローチを検証する。
論文 参考訳(メタデータ) (2022-08-17T03:24:36Z) - 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) - 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) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-08-18T03:40:25Z)
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。