論文の概要: TopTrack: Tracking Objects By Their Top

• arxiv url: http://arxiv.org/abs/2304.06114v1
• Date: Wed, 12 Apr 2023 19:00:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 16:27:10.802132
• Title: TopTrack: Tracking Objects By Their Top
• Title（参考訳）: TopTrack: トップからオブジェクトを追跡する
• Authors: Jacob Meilleur and Guillaume-Alexandre Bilodeau
• Abstract要約: TopTrackは、オブジェクトの上部を中心ではなくキーポイントとして使用する、共同検出と追跡の手法である。 我々は,検出のキーポイントとしてオブジェクトトップを使用することで,検出ミスの量を削減できることを示す実験を行った。
• 参考スコア（独自算出の注目度）: 13.020122353444497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the joint detection-and-tracking paradigm has been a very popular way of tackling the multi-object tracking (MOT) task. Many of the methods following this paradigm use the object center keypoint for detection. However, we argue that the center point is not optimal since it is often not visible in crowded scenarios, which results in many missed detections when the objects are partially occluded. We propose TopTrack, a joint detection-and-tracking method that uses the top of the object as a keypoint for detection instead of the center because it is more often visible. Furthermore, TopTrack processes consecutive frames in separate streams in order to facilitate training. We performed experiments to show that using the object top as a keypoint for detection can reduce the amount of missed detections, which in turn leads to more complete trajectories and less lost trajectories. TopTrack manages to achieve competitive results with other state-of-the-art trackers on two MOT benchmarks.
• Abstract（参考訳）: 近年,Multi-object Tracking(MOT)タスクに対処する方法として,共同検出・追跡パラダイムが広く用いられている。 このパラダイムに従うメソッドの多くは、検出にオブジェクトセンターキーポイントを使用する。 しかし,混み合ったシナリオでは目立たないことが多いため,中心点が最適ではないと主張する。 そこで本研究では,物体の上部を中心ではなくキーポイントとして用いる共同検出・追跡手法であるtoptrackを提案する。 さらに、TopTrackはトレーニングを容易にするために、連続したフレームを別々のストリームで処理する。 我々は,検出のキーポイントとしてオブジェクトトップを使用することで,検出の欠落を減らし,より完全な軌道と損失の少ない軌道を導出することを示す実験を行った。 TopTrackは、2つのMOTベンチマークで、他の最先端トラッカーと競合する結果を達成している。

関連論文リスト

• Lost and Found: Overcoming Detector Failures in Online Multi-Object Tracking [15.533652456081374]
  マルチオブジェクト追跡(MOT)は、時間とともに複数のオブジェクトのアイデンティティと位置を正確に推定する。 現代の検出器は、あるフレーム内のいくつかのオブジェクトを見逃すことがあるため、トラッカーは早めに追跡をやめる。 オンラインTbDシステムと互換性のある汎用フレームワークであるBUSCAを提案する。
  論文  参考訳（メタデータ） (2024-07-14T10:45:12Z)
• Iterative Scale-Up ExpansionIoU and Deep Features Association for Multi-Object Tracking in Sports [26.33239898091364]
  本稿では,スポーツシナリオに対するDeep ExpansionIoU (Deep-EIoU) という,オンラインかつ堅牢な多対象追跡手法を提案する。 従来の手法とは異なり、カルマンフィルタの使用を放棄し、スポーツシナリオにおける拡張IoUの反復的なスケールアップと深い特徴を活用して、ロバストなトラッキングを行う。 提案手法は,SportsMOTデータセットで77.2%,SportsNet-Trackingデータセットで85.4%を達成し,不規則な動き物体の追跡に顕著な効果を示した。
  論文  参考訳（メタデータ） (2023-06-22T17:47:08Z)
• 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)
• 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)
• ByteTrack: Multi-Object Tracking by Associating Every Detection Box [51.93588012109943]
  マルチオブジェクトトラッキング(MOT)は、ビデオ内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。 ほとんどの方法は、スコアがしきい値よりも高い検出ボックスを連想させることでアイデンティティを得る。 本稿では,BYTEと呼ばれるシンプルで効果的で汎用的なアソシエーション手法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:01:26Z)
• 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)
• 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)
• 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)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• 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。