論文の概要: SDTracker: Synthetic Data Based Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2303.14653v1
• Date: Sun, 26 Mar 2023 08:21:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 18:19:34.111403
• Title: SDTracker: Synthetic Data Based Multi-Object Tracking
• Title（参考訳）: SDTracker: 合成データに基づくマルチオブジェクト追跡
• Authors: Yingda Guan, Zhengyang Feng, Huiying Chang, Kuo Du, Tingting Li, Min Wang
• Abstract要約: SDTrackerは、実世界のシーンの多目的追跡に合成データのポテンシャルを利用する手法である。 合成データのスタイルをランダムにするために、ImageNetデータセットを補助的に使用します。 また、未ラベルのMOT17トレーニングデータを効果的に活用するために擬似ラベル方式を採用する。
• 参考スコア（独自算出の注目度）: 8.43201092674197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SDTracker, a method that harnesses the potential of synthetic data for multi-object tracking of real-world scenes in a domain generalization and semi-supervised fashion. First, we use the ImageNet dataset as an auxiliary to randomize the style of synthetic data. With out-of-domain data, we further enforce pyramid consistency loss across different "stylized" images from the same sample to learn domain invariant features. Second, we adopt the pseudo-labeling method to effectively utilize the unlabeled MOT17 training data. To obtain high-quality pseudo-labels, we apply proximal policy optimization (PPO2) algorithm to search confidence thresholds for each sequence. When using the unlabeled MOT17 training set, combined with the pure-motion tracking strategy upgraded via developed post-processing, we finally reach 61.4 HOTA.
• Abstract（参考訳）: 本研究では,実世界のシーンのマルチオブジェクト追跡のための合成データのポテンシャルを,ドメイン一般化と半教師付き方式で活用する手法であるsdtrackerを提案する。 まず、画像Netデータセットを補助的に使用し、合成データのスタイルをランダム化する。 ドメイン外データでは、同じサンプルから異なる"スティル化"イメージ間でのピラミッドの整合性損失をさらに強制し、ドメイン不変性を学ぶ。 第2に、未ラベルのMOT17トレーニングデータを効果的に活用するために擬似ラベル方式を採用する。 高品質な擬似ラベルを得るために、各シーケンスの信頼しきい値の探索に近似ポリシー最適化(PPO2)アルゴリズムを適用する。 未ラベルのMOT17トレーニングセットと、開発後処理によってアップグレードされた純粋なモーショントラッキング戦略を組み合わせると、最終的に61.4HOTAに達する。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Semi-Supervised Image Captioning by Adversarially Propagating Labeled Data [95.0476489266988]
  本稿では、画像キャプションモデルの一般化を改善するための、新しいデータ効率半教師付きフレームワークを提案する。 提案手法は,キャプタにペアデータから学習し,段階的に未ペアデータの関連付けを行うよう訓練する。 1)画像ベースと(2)高密度領域ベースキャプションデータセットの両方を総合的かつ包括的な実験結果とし,それに続いて,少ないペアリングデータセットの包括的分析を行った。
  論文  参考訳（メタデータ） (2023-01-26T15:25:43Z)
• Robust Target Training for Multi-Source Domain Adaptation [110.77704026569499]
  両レベル最適化に基づく新しいMSDAのためのロバスト目標訓練法(BORT$2$)を提案する。 提案手法は,大規模なDomainNetデータセットを含む3つのMSDAベンチマークにおいて,アートパフォーマンスの状態を達成している。
  論文  参考訳（メタデータ） (2022-10-04T15:20:01Z)
• PieTrack: An MOT solution based on synthetic data training and self-supervised domain adaptation [17.716808322509667]
  PieTrackは、事前訓練された重みを使わずに、合成データに基づいて開発されている。 提案したマルチスケールアンサンブル推論を利用して,MOT17テストセットで58.7のHOTAスコアを達成した。
  論文  参考訳（メタデータ） (2022-07-22T20:34:49Z)
• Bag of Tricks for Domain Adaptive Multi-Object Tracking [4.084199842578325]
  提案手法は,既存の検出器とトラッカーを用いて,トラッキング・バイ・ディテクト・パラダイムを用いて構築された。 私たちが使ったトラッカーはオンライントラッカーで、新たに受信した検出を既存のトラックにリンクするだけです。 SIA_TrackはBMTT 2022チャレンジでMOT Synth2MOT17トラックで1位となった。
  論文  参考訳（メタデータ） (2022-05-31T08:49:20Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Unsupervised Domain Adaptation for Person Re-Identification through Source-Guided Pseudo-Labeling [2.449909275410288]
  人物再識別(re-ID)は、異なるカメラで撮影された同一人物の画像を取得することを目的としている。 Unsupervised Domain Adaptation (UDA)は、ターゲットデータの高価なアノテーションを避けるため、この課題に対する興味深い研究方向である。 ソースドメインとターゲットドメインにおける分類と三重項損失に基づく計量学習を最適化する2分岐アーキテクチャを利用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-20T14:54:42Z)
• Synthetic-to-Real Domain Adaptation for Lane Detection [5.811502603310248]
  我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。 これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。 対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
  論文  参考訳（メタデータ） (2020-07-08T10:54:21Z)
• Multi-Domain Learning and Identity Mining for Vehicle Re-Identification [38.35753364518881]
  本稿では,AI City Challenge 2020(AICITY20)におけるTrack2のソリューションについて紹介する。 Track2は、現実世界のデータと合成データの両方で車両を再識別するタスクである。 マルチモデルアンサンブルでは,mAPスコアの0.7322が達成され,コンペでは3位となった。
  論文  参考訳（メタデータ） (2020-04-22T13:03:52Z)

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。