論文の概要: NeighborTrack: Improving Single Object Tracking by Bipartite Matching with Neighbor Tracklets

• arxiv url: http://arxiv.org/abs/2211.06663v3
• Date: Sat, 16 Dec 2023 02:39:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 21:15:48.526920
• Title: NeighborTrack: Improving Single Object Tracking by Bipartite Matching with Neighbor Tracklets
• Title（参考訳）: NeighborTrack: 隣のトラックレットとのマッチングによる単一オブジェクト追跡の改善
• Authors: Yu-Hsi Chen, Chien-Yao Wang, Cheng-Yun Yang, Hung-Shuo Chang, Youn-Long Lin, Yung-Yu Chuang, and Hong-Yuan Mark Liao
• Abstract要約: NeighborTrackは、追跡対象の隣り合う情報を活用して、シングルオブジェクト追跡(SOT)結果の検証と改善を行うポストプロセッサである。 バックボーンSOTネットワークによって予測される信頼スコアを使用して、近隣情報を自動的に導出し、この情報を使用して追跡結果を改善する。
• 参考スコア（独自算出の注目度）: 22.877838749427674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a post-processor, called NeighborTrack, that leverages neighbor information of the tracking target to validate and improve single-object tracking (SOT) results. It requires no additional data or retraining. Instead, it uses the confidence score predicted by the backbone SOT network to automatically derive neighbor information and then uses this information to improve the tracking results. When tracking an occluded target, its appearance features are untrustworthy. However, a general siamese network often cannot tell whether the tracked object is occluded by reading the confidence score alone, because it could be misled by neighbors with high confidence scores. Our proposed NeighborTrack takes advantage of unoccluded neighbors' information to reconfirm the tracking target and reduces false tracking when the target is occluded. It not only reduces the impact caused by occlusion, but also fixes tracking problems caused by object appearance changes. NeighborTrack is agnostic to SOT networks and post-processing methods. For the VOT challenge dataset commonly used in short-term object tracking, we improve three famous SOT networks, Ocean, TransT, and OSTrack, by an average of ${1.92\%}$ EAO and ${2.11\%}$ robustness. For the mid- and long-term tracking experiments based on OSTrack, we achieve state-of-the-art ${72.25\%}$ AUC on LaSOT and ${75.7\%}$ AO on GOT-10K. Code duplication can be found in https://github.com/franktpmvu/NeighborTrack.
• Abstract（参考訳）: 本研究では,追従対象の周辺情報を利用して単一対象追跡(SOT)結果の検証と改善を行う,NeighborTrackというポストプロセッサを提案する。 追加のデータやリトレーニングは不要だ。 代わりに、バックボーンSOTネットワークによって予測される信頼スコアを使用して、近隣情報を自動的に導き、この情報を使用して追跡結果を改善する。 隠されたターゲットを追跡する場合、その外観は信頼できない。 しかし,一般的なサイムズネットワークでは,高い信頼度を持つ隣人によって誤解される可能性があるため,信頼度を単独で読み取るだけで追跡対象が隠蔽されているかどうかを判断できないことが多い。 提案したNeighborTrackは、非閉鎖の隣人の情報を利用して、追跡対象を再確認し、対象が閉鎖された場合の偽追跡を低減する。 閉塞による影響を減少させるだけでなく、オブジェクトの出現変化によるトラッキング問題も修正する。 NeighborTrackは、SOTネットワークやポストプロセッシングメソッドに依存しない。 短期オブジェクト追跡で一般的に使用されるVOTチャレンジデータセットでは、Ocean、TransT、OSTrackの3つの有名なSOTネットワークを平均${1.92\%}$EAOと${2.11\%}$ロバストネスで改善する。 OSTrackをベースとした中長期追跡実験では、最先端の${72.25\%}$AUC on LaSOTと${75.7\%}$AO on GOT-10Kを実現している。 コードの重複はhttps://github.com/franktpmvu/neighbortrackにある。

関連論文リスト

• Tracking with Human-Intent Reasoning [64.69229729784008]
  この作業では、新しいトラッキングタスクであるインストラクショントラッキングを提案している。 ビデオフレーム内で自動的にトラッキングを実行するようにトラッカーに要求する暗黙の追跡命令を提供する。 TrackGPTは複雑な推論ベースの追跡を行うことができる。
  論文  参考訳（メタデータ） (2023-12-29T03:22:18Z)
• CoTracker: It is Better to Track Together [70.63040730154984]
  CoTrackerは、長いビデオシーケンスで多数の2Dポイントを追跡するトランスフォーマーベースのモデルである。 関節トラッキングはトラッキング精度とロバスト性を大幅に改善し、CoTrackerはカメラビューの外側に隠された点や点を追跡することができる。
  論文  参考訳（メタデータ） (2023-07-14T21:13:04Z)
• SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
  本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。 トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。 検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-16T15:18:42Z)
• OmniTracker: Unifying Object Tracking by Tracking-with-Detection [119.51012668709502]
  OmniTrackerは、完全に共有されたネットワークアーキテクチャ、モデルウェイト、推論パイプラインですべてのトラッキングタスクを解決するために提供されている。 LaSOT、TrackingNet、DAVIS16-17、MOT17、MOTS20、YTVIS19を含む7つの追跡データセットの実験は、OmniTrackerがタスク固有の追跡モデルと統合された追跡モデルの両方よりも、オンパーまたはそれ以上の結果を達成することを示した。
  論文  参考訳（メタデータ） (2023-03-21T17:59:57Z)
• Target-Aware Tracking with Long-term Context Attention [8.20858704675519]
  長期的コンテキストアテンション(LCA)モジュールは、長期的フレームからターゲットとそのコンテキストについて広範な情報融合を行うことができる。 LCAは、類似したオブジェクトや複雑な背景の干渉を排除するために、以前のフレームからターゲット状態を使用する。 トラッカーは, 71.1%のAUC, 89.3%のNP, 73.0%のAOをLaSOT, TrackingNet, GOT-10kで実現した。
  論文  参考訳（メタデータ） (2023-02-27T14:40:58Z)
• 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)
• Multi-object Tracking with Tracked Object Bounding Box Association [18.539658212171062]
  CenterTrack Trackingアルゴリズムは,単純な検出モデルと単一フレーム空間オフセットを用いて,最先端のトラッキング性能を実現する。 本研究では,CenterTrackアルゴリズムに,現在のフレームに基づく単純なトラッキングオブジェクトバウンディングボックスと重複予測を組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-05-17T14:32:47Z)
• Track to Detect and Segment: An Online Multi-Object Tracker [81.15608245513208]
  TraDeSは、エンドツーエンドの検出を支援するために追跡の手がかりを利用するオンライン共同検出および追跡モデルです。 TraDeSは、以前のオブジェクトの機能を伝播するために使用されるコストボリュームでオブジェクト追跡オフセットを推測します。
  論文  参考訳（メタデータ） (2021-03-16T02:34:06Z)
• Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
  そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。 鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
  論文  参考訳（メタデータ） (2020-07-29T02:38:49Z)
• Enhancing the Association in Multi-Object Tracking via Neighbor Graph [11.13923339111758]
  本稿では,近隣の情報をフル活用することでこの問題に対処することを提案する。 私たちのモチベーションは、人々がグループで動く傾向にあるという観察から来ています。 まず、追跡自己が生み出す近代的時間的関係を利用して、ターゲットに適した隣人を効率的に選択する。
  論文  参考訳（メタデータ） (2020-07-01T06:21:31Z)

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。