論文の概要: SMILEtrack: SiMIlarity LEarning for Multiple Object Tracking
- arxiv url: http://arxiv.org/abs/2211.08824v1
- Date: Wed, 16 Nov 2022 10:49:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 15:42:07.353812
- Title: SMILEtrack: SiMIlarity LEarning for Multiple Object Tracking
- Title（参考訳）: SMILEtrack: 複数オブジェクト追跡のためのSiMIlarity LEarning
- Authors: Yu-Hsiang Wang
- Abstract要約: 本稿では,シームズネットワークをモチベーションとした類似学習モジュール(SLM)を提案し,重要なオブジェクトの外観特徴を抽出する。
SMILEトラックトラッカーのデータアソシエーションのための類似マッチングカスケード(SMC)を設計する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple Object Tracking (MOT) is widely investigated in computer vision with
many applications. Tracking-By-Detection (TBD) is a popular multiple-object
tracking paradigm. TBD consists of the first step of object detection and the
subsequent of data association, tracklet generation, and update. We propose a
Similarity Learning Module (SLM) motivated from the Siamese network to extract
important object appearance features and a procedure to combine object motion
and appearance features effectively. This design strengthens the modeling of
object motion and appearance features for data association. We design a
Similarity Matching Cascade (SMC) for the data association of our SMILEtrack
tracker. SMILEtrack achieves 81.06 MOTA and 80.5 IDF1 on the MOTChallenge and
the MOT17 test set, respectively.
- Abstract（参考訳）: マルチプルオブジェクトトラッキング(mot)は、多くのアプリケーションでコンピュータビジョンで広く研究されている。
tracking-by-detection(tbd)は、一般的なマルチオブジェクトトラッキングパラダイムである。
TBDは、オブジェクト検出の最初のステップと、データアソシエーション、トラックレット生成、更新に続くステップで構成されている。
そこで我々は,シームズネットワークをモチベーションとした類似学習モジュール(SLM)を提案し,重要なオブジェクトの外観特徴を抽出し,オブジェクトの動きと外観特徴を効果的に組み合わせる手順を提案する。
この設計は、データアソシエーションのためのオブジェクトの動きと外観のモデリングを強化する。
smiletrack trackerのデータアソシエーションのための類似性マッチングカスケード(smc)を設計しました。
SMILEtrack は MOTChallenge と MOT17 のテストセットで 81.06 MOTA と 80.5 IDF1 を達成する。
関連論文リスト
- HSTrack: Bootstrap End-to-End Multi-Camera 3D Multi-object Tracking with Hybrid Supervision [34.7347336548199]
カメラベースの3Dマルチオブジェクトトラッキング(MOT)では、一般的な手法はトラッキング・バイ・クエリー・プロパゲーションのパラダイムに従っている。
本稿では,HSTrackを提案する。HSTrackは,マルチタスク学習を協調して検出・追跡する新しいプラグイン・アンド・プレイ方式である。
論文 参考訳（メタデータ） (2024-11-11T08:18:49Z) - ConsistencyTrack: A Robust Multi-Object Tracker with a Generation Strategy of Consistency Model [20.259334882471574]
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技術であり、ビデオシーケンス内の複数のターゲットを検出し、各ターゲットにフレーム毎にユニークなIDを割り当てるように設計されている。
既存のMOTメソッドは、様々なシナリオでリアルタイムで複数のオブジェクトを正確に追跡する。
本稿では,境界ボックス上の拡散過程として検出と関連を定式化するための新しいConsistencyTrack, Joint Detection and Tracking (JDT) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-28T05:53:30Z) - Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。
TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-07-19T07:48:45Z) - Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。
提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-11-17T08:17:49Z) - QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple
Object Tracking [73.52284039530261]
本稿では,コントラスト学習のために,画像上に数百のオブジェクト領域を密集した擬似Dense類似性学習を提案する。
得られた特徴空間は、オブジェクトアソシエーションの推論時間において、単純な近接探索を許容する。
我々の類似性学習方式は,ビデオデータに限らず,静的入力でも有効なインスタンス類似性を学ぶことができることを示す。
論文 参考訳（メタデータ） (2022-10-12T15:47:36Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - 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) - DEFT: Detection Embeddings for Tracking [3.326320568999945]
我々は,DEFT と呼ばれる効率的な関節検出・追跡モデルを提案する。
提案手法は,外見に基づくオブジェクトマッチングネットワークと,下層のオブジェクト検出ネットワークとの協調学習に依存している。
DEFTは2Dオンライントラッキングリーダーボードのトップメソッドに匹敵する精度とスピードを持っている。
論文 参考訳（メタデータ） (2021-02-03T20:00:44Z) - Simultaneous Detection and Tracking with Motion Modelling for Multiple
Object Tracking [94.24393546459424]
本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。
DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。
また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
論文 参考訳（メタデータ） (2020-08-20T08:05:33Z)
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。