論文の概要: RT-MOT: Confidence-Aware Real-Time Scheduling Framework for Multi-Object
Tracking Tasks
- arxiv url: http://arxiv.org/abs/2210.11946v1
- Date: Wed, 19 Oct 2022 14:31:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 16:24:04.464818
- Title: RT-MOT: Confidence-Aware Real-Time Scheduling Framework for Multi-Object
Tracking Tasks
- Title(参考訳): rt-mot:マルチオブジェクト追跡タスクのための信頼度対応リアルタイムスケジューリングフレームワーク
- Authors: Donghwa Kang, Seunghoon Lee, Hoon Sung Chwa, Seung-Hwan Bae, Chang
Mook Kang, Jinkyu Lee and Hyeongboo Baek
- Abstract要約: 自動運転車のようなリアルタイムシステムは、限られた計算資源の下でMOTの新たな要件を必要とする。
複数のMOTタスクのための新しいシステム設計であるRT-MOTを提案する。
RT-MOTは,既存のトラッキング・バイ・検出手法と比較して,全体のトラッキング精度を最大1.5倍に向上することを示す。
- 参考スコア(独自算出の注目度): 11.855014390475288
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Different from existing MOT (Multi-Object Tracking) techniques that usually
aim at improving tracking accuracy and average FPS, real-time systems such as
autonomous vehicles necessitate new requirements of MOT under limited computing
resources: (R1) guarantee of timely execution and (R2) high tracking accuracy.
In this paper, we propose RT-MOT, a novel system design for multiple MOT tasks,
which addresses R1 and R2. Focusing on multiple choices of a workload pair of
detection and association, which are two main components of the
tracking-by-detection approach for MOT, we tailor a measure of object
confidence for RT-MOT and develop how to estimate the measure for the next
frame of each MOT task. By utilizing the estimation, we make it possible to
predict tracking accuracy variation according to different workload pairs to be
applied to the next frame of an MOT task. Next, we develop a novel
confidence-aware real-time scheduling framework, which offers an offline timing
guarantee for a set of MOT tasks based on non-preemptive fixed-priority
scheduling with the smallest workload pair. At run-time, the framework checks
the feasibility of a priority-inversion associated with a larger workload pair,
which does not compromise the timing guarantee of every task, and then chooses
a feasible scenario that yields the largest tracking accuracy improvement based
on the proposed prediction. Our experiment results demonstrate that RT-MOT
significantly improves overall tracking accuracy by up to 1.5x, compared to
existing popular tracking-by-detection approaches, while guaranteeing timely
execution of all MOT tasks.
- Abstract(参考訳): 通常、トラッキング精度と平均FPSを改善することを目的とした既存のMOT(Multi-Object Tracking)技術とは異なり、自動運転車のようなリアルタイムシステムは、限られたコンピューティングリソースの下でMOTの新しい要件を必要とする。
本稿では,RT-MOTを提案する。RT-MOTは複数のMOTタスクのための新しいシステム設計であり,R1とR2に対処する。
motの追跡・検出アプローチの主要な2つの要素であるワークロードペアの検出と関連付けの複数の選択に焦点を当て、rt-motのオブジェクト信頼度の測定を調整し、各motタスクの次のフレームに対する評価方法を開発します。
この推定を利用して,MOTタスクの次のフレームに適用する作業負荷対に応じて,トラッキング精度の変動を予測することができる。
次に,非プリエンプティブ固定優先スケジューリングに基づくmotタスク群に対して,最小のワークロードペアでオフラインのタイミング保証を行う,信頼度対応型リアルタイムスケジューリングフレームワークを開発した。
実行時、フレームワークは、タスク毎のタイミング保証を損なうことなく、より大きなワークロードペアに関連する優先度反転の実現可能性をチェックし、提案する予測に基づいて、最大のトラッキング精度向上をもたらす実現可能なシナリオを選択する。
実験の結果,RT-MOTは全MOTタスクのタイムリー実行を保証しながら,従来のトラッキング・バイ・検出手法に比べて最大1.5倍のトラッキング精度を向上することが示された。
関連論文リスト
- MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and
Guided Intention Querying [110.83590008788745]
自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。
本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。
最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。
複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
論文 参考訳(メタデータ) (2023-06-30T16:23:04Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
論文 参考訳(メタデータ) (2023-02-17T18:18:27Z) - Transformer-based assignment decision network for multiple object
tracking [0.0]
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最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2022-08-06T19:47:32Z) - Unified Transformer Tracker for Object Tracking [58.65901124158068]
異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。
SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
論文 参考訳(メタデータ) (2022-03-29T01:38:49Z) - Offloading Algorithms for Maximizing Inference Accuracy on Edge Device
Under a Time Constraint [15.038891477389535]
近似アルゴリズム AMR2 を提案し,最大 2T でメイスパンが得られることを示す。
概念実証として,MobileNetを搭載したRaspberry PiにAMR2を実装し,ResNetを搭載したサーバに接続し,画像分類用AMR2の総合的精度とメースパン性能について検討した。
論文 参考訳(メタデータ) (2021-12-21T18:21:24Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳(メタデータ) (2021-04-28T16:45:56Z) - 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) - Multi-Task Time Series Forecasting With Shared Attention [15.294939035413217]
マルチタスク時系列予測のための2つの自己注目型共有方式を提案する。
提案アーキテクチャは,最先端の単一タスク予測ベースラインを上回るだけでなく,RNNベースのマルチタスク予測手法よりも優れている。
論文 参考訳(メタデータ) (2021-01-24T04:25:08Z) - GAKP: GRU Association and Kalman Prediction for Multiple Object Tracking [8.559199703957393]
マルチオブジェクトトラッキング(MOT)は、ビデオ監視、インテリジェント小売、スマートシティなど、多くの現実世界のアプリケーションで有用かつ困難なタスクでした。
本稿では,予測のための自動チューニングカルマン法とゲートリカレントユニット(gru)を統合し,少量のトレーニングデータで近似最適化を実現する新しい追跡手法を提案する。
論文 参考訳(メタデータ) (2020-12-28T15:52:24Z) - 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)
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。