論文の概要: Real-time Multi-Object Tracking Based on Bi-directional Matching

• arxiv url: http://arxiv.org/abs/2303.08444v1
• Date: Wed, 15 Mar 2023 08:38:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 14:29:08.636239
• Title: Real-time Multi-Object Tracking Based on Bi-directional Matching
• Title（参考訳）: 双方向マッチングに基づく実時間多物体追跡
• Authors: Huilan Luo, Zehua Zeng
• Abstract要約: 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。
• 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: In recent years, anchor-free object detection models combined with matching algorithms are used to achieve real-time muti-object tracking and also ensure high tracking accuracy. However, there are still great challenges in multi-object tracking. For example, when most part of a target is occluded or the target just disappears from images temporarily, it often leads to tracking interruptions for most of the existing tracking algorithms. Therefore, this study offers a bi-directional matching algorithm for multi-object tracking that makes advantage of bi-directional motion prediction information to improve occlusion handling. A stranded area is used in the matching algorithm to temporarily store the objects that fail to be tracked. When objects recover from occlusions, our method will first try to match them with objects in the stranded area to avoid erroneously generating new identities, thus forming a more continuous trajectory. Experiments show that our approach can improve the multi-object tracking performance in the presence of occlusions. In addition, this study provides an attentional up-sampling module that not only assures tracking accuracy but also accelerates training speed. In the MOT17 challenge, the proposed algorithm achieves 63.4% MOTA, 55.3% IDF1, and 20.1 FPS tracking speed.
• Abstract（参考訳）: 近年、アンカーフリーなオブジェクト検出モデルとマッチングアルゴリズムが組み合わさって、リアルタイムのミューティオブジェクトトラッキングを実現し、高いトラッキング精度を保証している。 しかし、マルチオブジェクト追跡には依然として大きな課題がある。 例えば、ターゲットのほとんどの部分が隠蔽されている場合や、ターゲットが一時的にイメージから消えてしまう場合、既存のトラッキングアルゴリズムのほとんどで割り込みを追跡する。 そこで本研究では,双方向運動予測情報を利用して咬合処理を改善するマルチオブジェクト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。 マッチングアルゴリズムでは、ストランド領域を使用して、追跡に失敗したオブジェクトを一時的に保存する。 物体が咬合から回復すると、まずストランド領域の物体と照合し、新たなアイデンティティを誤って生成しないようにし、より連続的な軌道を形成する。 実験の結果,オクルージョンの存在下でのマルチオブジェクト追跡性能の向上が期待できることがわかった。 さらに,本研究では,トラッキング精度の確保だけでなく,トレーニング速度の高速化も図っている。 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。

関連論文リスト

• CORT: Class-Oriented Real-time Tracking for Embedded Systems [46.3107850275261]
  本研究は,マルチクラスオブジェクトトラッキングに対する新しいアプローチを提案する。 トラッキング性能をペナルティ化することなく、より小さく予測可能な実行時間を実現することができる。 提案手法は,異なるタイプの複数の対象を持つ複雑な都市シナリオにおいて評価された。
  論文  参考訳（メタデータ） (2024-07-20T09:12:17Z)
• SparseTrack: Multi-Object Tracking by Performing Scene Decomposition based on Pseudo-Depth [84.64121608109087]
  2次元画像から目標の相対的な深さを求めるための擬似深度推定法を提案する。 次に,得られた深度情報を用いて,高密度なターゲットセットを複数のスパースなターゲットサブセットに変換するディープカスケードマッチング(DCM)アルゴリズムを設計する。 擬似深度法とDCM戦略をデータアソシエーションプロセスに統合することにより、SparseTrackと呼ばれる新しいトラッカーを提案する。
  論文  参考訳（メタデータ） (2023-06-08T14:36:10Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Appearance-free Tripartite Matching for Multiple Object Tracking [6.165592821539306]
  マルチオブジェクト追跡(MOT)は、入力されたビデオから複数のオブジェクトの軌跡を検出する。 既存のアルゴリズムのほとんどはオブジェクトの外観の特異性に依存しており、支配的な二部マッチング方式は速度の滑らかさを無視する。 両部マッチングの不規則な速度問題を回避するために, 外観自由三部マッチングを提案する。
  論文  参考訳（メタデータ） (2020-08-09T02:16:44Z)
• Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
  State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。 混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-18T19:51:53Z)

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。