論文の概要: The Second-place Solution for ECCV 2022 Multiple People Tracking in
Group Dance Challenge
- arxiv url: http://arxiv.org/abs/2211.13509v1
- Date: Thu, 24 Nov 2022 10:04:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 16:38:17.036211
- Title: The Second-place Solution for ECCV 2022 Multiple People Tracking in
Group Dance Challenge
- Title（参考訳）: グループダンスチャレンジにおけるECCV 2022多人数追跡のための第2位ソリューション
- Authors: Fan Yang, Shigeyuki Odashima, Shoichi Masui, Shan Jiang
- Abstract要約: 主に2つのステップを含む。Cascaded Buffer-IoU(C-BIoU)トラッカーを用いたオンライン短期追跡、外観特徴と階層的クラスタリングを用いたオフライン長期追跡。
我々のC-BIoUトラッカーはバッファを追加し、検出とトラックのマッチング空間を拡張します。
オンライントラッキングにC-BIoUを使用した後、ReMOTSが導入したオフラインリファインメントを適用した。
- 参考スコア（独自算出の注目度）: 6.388173902438571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This is our 2nd-place solution for the ECCV 2022 Multiple People Tracking in
Group Dance Challenge. Our method mainly includes two steps: online short-term
tracking using our Cascaded Buffer-IoU (C-BIoU) Tracker, and, offline long-term
tracking using appearance feature and hierarchical clustering. Our C-BIoU
tracker adds buffers to expand the matching space of detections and tracks,
which mitigates the effect of irregular motions in two aspects: one is to
directly match identical but non-overlapping detections and tracks in adjacent
frames, and the other is to compensate for the motion estimation bias in the
matching space. In addition, to reduce the risk of overexpansion of the
matching space, cascaded matching is employed: first matching alive tracks and
detections with a small buffer, and then matching unmatched tracks and
detections with a large buffer. After using our C-BIoU for online tracking, we
applied the offline refinement introduced by ReMOTS.
- Abstract（参考訳）: これは、ECCV 2022 Multiple People Tracking in Group Dance Challengeの2番目のソリューションです。
提案手法は主に,カスケードバッファIoU(C-BIoU)トラッカーを用いたオンライン短期追跡と,外観特徴と階層クラスタリングを用いたオフライン長期追跡の2段階を含む。
c-biouトラッカは,検出とトラックのマッチング空間を拡大するためのバッファを追加することにより,隣接フレームにおける同一だが重複しない検出とトラックとの直接マッチングと,マッチング空間における動き推定バイアスの補償という,2つの面における不規則な動きの影響を軽減する。
さらに、マッチング空間の過剰膨張のリスクを低減するために、まず生存中のトラックと検出を小さなバッファでマッチングし、次に不一致のトラックと検出を大きなバッファでマッチングするカスケードマッチングが用いられる。
オンライントラッキングにC-BIoUを使用した後、ReMOTSが導入したオフラインリファインメントを適用した。
関連論文リスト
- 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) - Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。
ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。
MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
論文 参考訳（メタデータ） (2023-03-15T08:38:08Z) - Tracking by Associating Clips [110.08925274049409]
本稿では,オブジェクト関連をクリップワイドマッチングとして扱う方法を検討する。
我々の新しい視点では、1つの長いビデオシーケンスを複数のショートクリップとみなし、そのトラックはクリップ内とクリップ間の両方で実行される。
この新しい手法の利点は2つある。まず、ビデオチャンキングによって中断フレームをバイパスできるため、エラーの蓄積や伝播の追跡に頑健である。
次に、クリップワイドマッチング中に複数のフレーム情報を集約し、現在のフレームワイドマッチングよりも高精度な長距離トラックアソシエーションを実現する。
論文 参考訳（メタデータ） (2022-12-20T10:33:17Z) - Hard to Track Objects with Irregular Motions and Similar Appearances?
Make It Easier by Buffering the Matching Space [4.648877159175779]
本稿では,不規則な動きと識別不能な外観を持つ物体を追跡できるカスケードバッファリングIoU(C-BIoU)トラッカーを提案する。
その単純さにもかかわらず、我々のC-BIoUトラッカーは驚くほどうまく機能し、MOTデータセットの最先端の結果を得る。
論文 参考訳（メタデータ） (2022-11-24T10:33:21Z) - The Second-place Solution for CVPR 2022 SoccerNet Tracking Challenge [6.388173902438571]
方法は主に2つのステップを含む: Cascaded Buffer-IoU (C-BIoU) Trackerを使ったオンラインの短期追跡、および、外観特徴と階層的クラスタリングを用いたオフラインの長期追跡。
オンライントラッキングはHOTAスコアを90点近く、オフライントラッキングはHOTAスコアをさらに93.2点改善した。
論文 参考訳（メタデータ） (2022-11-24T08:58:15Z) - Hybrid Tracker with Pixel and Instance for Video Panoptic Segmentation [50.62685357414904]
ビデオパノプティカル係数(VPS)は、コヒーレントなパノプティカルセグメンテーションを生成し、ビデオフレーム全体の全ピクセルのアイデンティティを追跡することを目的としている。
単一トラッカーの限界を取り除くために,軽量かつ共同的な追跡モデルであるHybridTrackerを提案する。
総合的な実験により、HybridTrackerはCityscapes-VPSとVIPERデータセットの最先端メソッドよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-03-02T16:21:55Z) - 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) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
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タスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳（メタデータ） (2020-07-30T16:39:22Z) - Cascaded Regression Tracking: Towards Online Hard Distractor
Discrimination [202.2562153608092]
本稿では,2段階の逐次回帰トラッカーを提案する。
第1段階では, 容易に同定可能な負の候補を抽出する。
第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
論文 参考訳（メタデータ） (2020-06-18T07:48:01Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2020-03-10T00:04:32Z)
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。