論文の概要: CityTrack: Improving City-Scale Multi-Camera Multi-Target Tracking by Location-Aware Tracking and Box-Grained Matching

• arxiv url: http://arxiv.org/abs/2307.02753v1
• Date: Thu, 6 Jul 2023 03:25:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 15:12:06.908312
• Title: CityTrack: Improving City-Scale Multi-Camera Multi-Target Tracking by Location-Aware Tracking and Box-Grained Matching
• Title（参考訳）: CityTrack: 位置認識とボックスグレードマッチングによる都市規模マルチカメラマルチターゲットトラッキングの改善
• Authors: Jincheng Lu, Xipeng Yang, Jin Ye, Yifu Zhang, Zhikang Zou, Wei Zhang, Xiao Tan
• Abstract要約: Multi-Camera Multi-Target Tracking (MCMT)は、複数のカメラを同時に追跡するコンピュータビジョン技術である。 そこで我々は,都市交通シーンがもたらす課題を克服するために,CityTrackと呼ばれるMCMTフレームワークを提案する。 MCMTタスクにおいて,様々な高度な手法を取り入れた位置認識SCMTトラッカーを提案する。
• 参考スコア（独自算出の注目度）: 15.854610268846562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Camera Multi-Target Tracking (MCMT) is a computer vision technique that involves tracking multiple targets simultaneously across multiple cameras. MCMT in urban traffic visual analysis faces great challenges due to the complex and dynamic nature of urban traffic scenes, where multiple cameras with different views and perspectives are often used to cover a large city-scale area. Targets in urban traffic scenes often undergo occlusion, illumination changes, and perspective changes, making it difficult to associate targets across different cameras accurately. To overcome these challenges, we propose a novel systematic MCMT framework, called CityTrack. Specifically, we present a Location-Aware SCMT tracker which integrates various advanced techniques to improve its effectiveness in the MCMT task and propose a novel Box-Grained Matching (BGM) method for the ICA module to solve the aforementioned problems. We evaluated our approach on the public test set of the CityFlowV2 dataset and achieved an IDF1 of 84.91%, ranking 1st in the 2022 AI CITY CHALLENGE. Our experimental results demonstrate the effectiveness of our approach in overcoming the challenges posed by urban traffic scenes.
• Abstract（参考訳）: Multi-Camera Multi-Target Tracking (MCMT)は、複数のカメラを同時に追跡するコンピュータビジョン技術である。 都市交通の視覚分析におけるmcmtは、都市交通シーンの複雑でダイナミックな性質のために大きな課題に直面している。 都市交通シーンのターゲットはしばしば閉塞、照明変更、視点変更を受け、異なるカメラ間でターゲットを関連付けることが困難になる。 これらの課題を克服するために,CityTrackと呼ばれる新しいMCMTフレームワークを提案する。 具体的には、MCMTタスクにおいて、様々な高度な技術を統合した位置認識SCMTトラッカーを提案し、上記の問題を解決するために、ICAモジュールのための新しいボックスグレードマッチング(BGM)手法を提案する。 我々は、cityflowv2データセットの公開テストセットに対するアプローチを評価し、2022年のai city challengeで84.91%のidf1を達成した。 本研究では,都市交通シーンがもたらす課題を克服するためのアプローチの有効性を実証した。

関連論文リスト

• GMT: A Robust Global Association Model for Multi-Target Multi-Camera Tracking [13.305411087116635]
  本稿では,第1追跡段階への依存を2段階の手法で解決し,クロスカメラマッチングを向上するオンラインMTMC追跡モデルを提案する。 具体的には,トランスフォーマーをベースとしたグローバルMTMCアソシエーションモジュールを提案し,様々なカメラやフレームを対象とするアソシエーションを探索する。 高シーンの多様性と複雑な照明条件の変化に対応するため、VisionTrackデータセットを構築した。
  論文  参考訳（メタデータ） (2024-07-01T06:39:14Z)
• Low-Light Image Enhancement Framework for Improved Object Detection in Fisheye Lens Datasets [4.170227455727819]
  本研究は,魚眼レンズカメラを用いた都市交通監視システムの進化的課題について考察する。 フィッシュアイレンズは、1つのフレームで広角と全方位のカバーを提供し、変換性のあるソリューションとなる。 これらの課題に触発された本研究では,ランズフォーマーに基づく画像強調フレームワークとアンサンブル学習技術を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-15T18:32:52Z)
• The 8th AI City Challenge [57.25825945041515]
  2024年版では5トラックが収録され、47か国と地域の726チームから前例のない関心を集めた。 このチャレンジでは、2つのリーダーボードを使ってメソッドを展示し、参加者は新しいベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-04-15T03:12:17Z)
• Towards Effective Multi-Moving-Camera Tracking: A New Dataset and Lightweight Link Model [4.581852145863394]
  Multi-target Multi-camera (MTMC) トラッキングシステムは,SCT ( Single-camera Track) とICT (Inter-camera Track) の2つのモジュールで構成されている。 MTMCの追跡は非常に複雑な作業だが、複数の移動カメラを横切るとさらに困難になる。 同一ターゲットの2つの解離トラックレットを同一カメラ内の完全な軌跡に関連付けることにより、識別スイッチを緩和する。
  論文  参考訳（メタデータ） (2023-12-18T09:11:28Z)
• The 6th AI City Challenge [91.65782140270152]
  2022年のAIシティチャレンジの4つのチャレンジトラックは、27カ国254チームからの参加要請を受けた。 参加チームのトップパフォーマンスは強いベースラインを確立し、提案されたチャレンジトラックで最先端の成績を上げました。
  論文  参考訳（メタデータ） (2022-04-21T19:24:17Z)
• Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking [58.95210121654722]
  理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。 私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
  論文  参考訳（メタデータ） (2022-04-15T12:47:01Z)
• Video Surveillance for Road Traffic Monitoring [0.0]
  本稿ではバルセロナ大学オートノマ・デ・バルセロナ校のコンピュータビジョンにおけるマスターの映像解析モジュールにおける学習技術について述べる。 課題は、都市に広がる複数の交差点に配置された複数のカメラにまたがる車両を追跡することです。
  論文  参考訳（メタデータ） (2021-05-11T09:54:20Z)
• A Flow Base Bi-path Network for Cross-scene Video Crowd Understanding in Aerial View [93.23947591795897]
  本稿では,これらの課題に対処し,ドローンから収集した視覚的データから参加者を自動的に理解する。 クロスシーンテストで発生する背景雑音を軽減するために, 二重ストリーム群カウントモデルを提案する。 極暗環境下での集団密度推定問題に対処するために,ゲームグランドセフトオートV(GTAV)によって生成された合成データを導入する。
  論文  参考訳（メタデータ） (2020-09-29T01:48:24Z)
• Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
  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タスクである。 密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。 3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
  論文  参考訳（メタデータ） (2020-07-30T16:39:22Z)
• The 4th AI City Challenge [80.00140907239279]
  AI City Challengeの第4回年次エディションには,37カ国で315チームが参加している。 評価はアルゴリズムの有効性と計算効率の両面から行われる。 結果は、AI技術がよりスマートで安全な輸送システムを可能にすることを約束している。
  論文  参考訳（メタデータ） (2020-04-30T07:47:14Z)

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。