論文の概要: SCTracker: Multi-object tracking with shape and confidence constraints
- arxiv url: http://arxiv.org/abs/2305.09523v1
- Date: Tue, 16 May 2023 15:18:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 14:31:41.829890
- Title: SCTracker: Multi-object tracking with shape and confidence constraints
- Title（参考訳）: SCTracker:形状と信頼性の制約のある多物体追跡
- Authors: Huan Mao, Yulin Chen, Zongtan Li, Feng Chen, Pingping Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.210661553388615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detection-based tracking is one of the main methods of multi-object tracking.
It can obtain good tracking results when using excellent detectors but it may
associate wrong targets when facing overlapping and low-confidence detections.
To address this issue, this paper proposes a multi-object tracker based on
shape constraint and confidence named SCTracker. In the data association stage,
an Intersection of Union distance with shape constraints is applied to
calculate the cost matrix between tracks and detections, which can effectively
avoid the track tracking to the wrong target with the similar position but
inconsistent shape, so as to improve the accuracy of data association.
Additionally, the Kalman Filter based on the detection confidence is used to
update the motion state to improve the tracking performance when the detection
has low confidence. Experimental results on MOT 17 dataset show that the
proposed method can effectively improve the tracking performance of
multi-object tracking.
- Abstract（参考訳）: 検出に基づくトラッキングは、マルチオブジェクト追跡の主要な方法の1つである。
優れた検出器を使用する場合、良好な追跡結果が得られるが、重なりや低い信頼度検出に対して間違ったターゲットを関連付ける可能性がある。
この問題に対処するため,本稿では形状制約と信頼性に基づくマルチオブジェクトトラッカsctrackerを提案する。
データアソシエーション段階では、形状制約付き結合距離の交点を適用して、トラックと検出の間のコストマトリックスを算出し、類似位置と矛盾する形状の間違ったターゲットへのトラック追跡を効果的に回避し、データアソシエーションの精度を向上させる。
また、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、検出信頼度が低い場合にトラッキング性能を向上させる。
mot 17データセットにおける実験結果は,提案手法がマルチオブジェクト追跡のトラッキング性能を効果的に向上することを示す。
関連論文リスト
- ConsistencyTrack: A Robust Multi-Object Tracker with a Generation Strategy of Consistency Model [20.259334882471574]
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技術であり、ビデオシーケンス内の複数のターゲットを検出し、各ターゲットにフレーム毎にユニークなIDを割り当てるように設計されている。
既存のMOTメソッドは、様々なシナリオでリアルタイムで複数のオブジェクトを正確に追跡する。
本稿では,境界ボックス上の拡散過程として検出と関連を定式化するための新しいConsistencyTrack, Joint Detection and Tracking (JDT) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-28T05:53:30Z) - RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。
具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。
我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
論文 参考訳（メタデータ） (2024-03-28T08:54:40Z) - Adaptive Confidence Threshold for ByteTrack in Multi-Object Tracking [9.156625199253947]
ByteTrackは単純なトラッキングアルゴリズムであり、複数のオブジェクトの同時トラッキングを可能にする。
本稿では,高信頼度検出と低信頼度検出を区別する新しい適応手法を提案する。
論文 参考訳（メタデータ） (2023-12-04T06:01:46Z) - 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) - You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。
多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
論文 参考訳（メタデータ） (2023-04-18T02:45:18Z) - 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) - Learning Dynamic Compact Memory Embedding for Deformable Visual Object
Tracking [82.34356879078955]
本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。
DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
論文 参考訳（メタデータ） (2021-11-23T03:07:12Z) - 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) - 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) - 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。