論文の概要: Self-Supervised Multi-Object Tracking From Consistency Across Timescales

• arxiv url: http://arxiv.org/abs/2304.13147v1
• Date: Tue, 25 Apr 2023 20:47:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 16:23:23.665159
• Title: Self-Supervised Multi-Object Tracking From Consistency Across Timescales
• Title（参考訳）: 時間スケール間の一貫性から自己教師付きマルチオブジェクトトラッキング
• Authors: Christopher Lang, Alexander Braun, Lars Schillingmann, Abhinav Valada
• Abstract要約: 自己監督型多目的トラッカーは、教師付きトラッカーと比較して再識別精度が低い。 フレーム列上の再同定特徴を学習する学習目標を提案する。 学習したReID機能は、他の自己教師付き手法と比較して、IDスイッチを著しく削減する。
• 参考スコア（独自算出の注目度）: 69.6879875090814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised multi-object trackers have the potential to leverage the vast amounts of raw data recorded worldwide. However, they still fall short in re-identification accuracy compared to their supervised counterparts. We hypothesize that this deficiency results from restricting self-supervised objectives to single frames or frame pairs. Such designs lack sufficient visual appearance variations during training to learn consistent re-identification features. Therefore, we propose a training objective that learns re-identification features over a sequence of frames by enforcing consistent association scores across short and long timescales. Extensive evaluations on the BDD100K and MOT17 benchmarks demonstrate that our learned ReID features significantly reduce ID switches compared to other self-supervised methods, setting the new state of the art for self-supervised multi-object tracking and even performing on par with supervised methods on the BDD100k benchmark.
• Abstract（参考訳）: 自己監視されたマルチオブジェクトトラッカーは、世界中の膨大な生データを活用できる可能性がある。 しかし、彼らは監督対象に比べて再同定の精度が低い。 この欠損は、自己監督対象を単一のフレームまたはフレームペアに制限することに起因すると仮定する。 このような設計は、一貫した再識別機能を学ぶのに十分な視覚的外観の変化を欠いている。 そこで本研究では,短期・長期にわたる一貫したアソシエーションスコアを強制することにより,フレーム列上の再同定特徴を学習する学習目標を提案する。 BDD100KとMOT17ベンチマークの大規模な評価では、学習したReID機能は、他の自己管理手法と比較してIDスイッチを著しく減らし、自己管理されたマルチオブジェクトトラッキングのための技術の新たな状態を設定し、BDD100kベンチマークの教師付きメソッドと同等に実行しました。

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)
• Unsupervised 3D registration through optimization-guided cyclical self-training [71.75057371518093]
  最先端のディープラーニングベースの登録方法は、3つの異なる学習戦略を採用している。 本稿では,教師なし登録のための自己指導型学習パラダイムを提案する。 腹部, 肺の登録方法の評価を行い, 測定基準に基づく監督を一貫して上回り, 最先端の競争相手よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-29T14:54:10Z)
• S$^3$Track: Self-supervised Tracking with Soft Assignment Flow [45.77333923477176]
  ビデオレベルのアソシエーションラベルを使わずに、自己監督型複数物体追跡について検討する。 オブジェクトアソシエーションのための微分可能なソフトオブジェクト割り当てを提案する。 提案手法は,KITTI,nuScenes,Argoverseのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-05-17T06:25:40Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)
• Self-Supervised Models are Continual Learners [79.70541692930108]
  本研究では, 自己教師付き損失関数を連続学習のための蒸留機構にシームレスに変換可能であることを示す。 我々は,学習した表現の質を大幅に向上させる連続的自己教師型視覚表現学習の枠組みを考案した。
  論文  参考訳（メタデータ） (2021-12-08T10:39:13Z)
• Temporal Continuity Based Unsupervised Learning for Person Re-Identification [15.195514083289801]
  本稿では,非教師なしの集中型クラスタリング手法を提案し,その基盤となるre-id識別情報を段階的に学習し活用する。 我々は、時間連続性に基づく教師なし学習(TCUL)と呼ぶ。 特に、TCULは、無ラベル(ターゲット)データセットのセンターベースのクラスタリングを同時に行い、無関係なラベル付き(ソース)データセットで事前トレーニングされた畳み込みニューラルネットワーク(CNN)を微調整する。 カメラ内の画像の時間的連続性と、カメラ間の特徴マップの空間的類似性を利用して、再識別モデルをトレーニングするための信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2020-09-01T05:29:30Z)
• CycAs: Self-supervised Cycle Association for Learning Re-identifiable Descriptions [61.724894233252414]
  本稿では,人物再識別(re-ID)問題に対する自己教師型学習手法を提案する。 既存の教師なしのメソッドは通常、ビデオトラッカーやクラスタリングのような擬似ラベルに依存している。 疑似ラベルを使わずに、生のビデオから歩行者の埋め込みを学習できる別の教師なし手法を導入する。
  論文  参考訳（メタデータ） (2020-07-15T09:52:35Z)
• Self-supervised Video Object Segmentation [76.83567326586162]
  本研究の目的は、半教師付きビデオオブジェクトセグメンテーション(高密度トラッキング)の解決を目的とした自己教師付き表現学習である。 i) 従来の自己教師型アプローチを改善すること、(ii) オンライン適応モジュールによる自己教師型アプローチの強化により、空間的時間的不連続性によるトラッカーのドリフトを緩和すること、(iv) DAVIS-2017とYouTubeの自己教師型アプローチで最先端の結果を示すこと、などが提案されている。
  論文  参考訳（メタデータ） (2020-06-22T17:55:59Z)

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。