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
- Multi-Moving Camera Pedestrian Tracking with a New Dataset and Global
Link Model [4.915621537035868]
我々は,マルチターゲットマルチ移動カメラ(MTMC)の追跡に焦点を合わせ,研究コミュニティから注目が集まっている。
既存のほとんどのSCTトラッカーが直面するアイデンティティスイッチの共通問題に対処するために、Linkerと呼ばれる軽量な外見のないグローバルリンクモデルを提案する。
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) - UCMCTrack: Multi-Object Tracking with Uniform Camera Motion Compensation [9.333052173412158]
カメラの動きに頑健な新しいモーションモデルベースのトラッカーであるUCMCTrackを紹介する。
フレーム単位で補償パラメータを計算する従来のCMCとは異なり、UCMCTrackはビデオシーケンスを通して同じ補償パラメータを一貫して適用する。
MOT17、MOT20、DanceTrack、KITTIなど、さまざまな課題のあるデータセットで最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-12-14T14:01:35Z) - 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) - Know Your Surroundings: Panoramic Multi-Object Tracking by Multimodality
Collaboration [56.01625477187448]
MMPAT(MultiModality PAnoramic Multi-object Tracking framework)を提案する。
2次元パノラマ画像と3次元点雲を入力とし、マルチモーダルデータを用いて目標軌道を推定する。
提案手法は,検出タスクと追跡タスクの両方においてMMPATが最高性能を達成するJRDBデータセット上で評価する。
論文 参考訳(メタデータ) (2021-05-31T03:16:38Z) - 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) - Unsupervised Vehicle Counting via Multiple Camera Domain Adaptation [9.730985797769764]
市民の生活の質と都市環境を改善するためには, 都市内の車両流のモニタリングが不可欠である。
画像のヒンジを大量の注釈付きデータにカウントする現在の技術は、新しいカメラがシステムに追加されるにつれて、都市規模へのスケーラビリティを損なう。
我々は,複数のカメラ領域を適応させてラベル付きデータが少ない画像に基づく車両密度推定器を設計するための新しい手法を提案し,議論する。
論文 参考訳(メタデータ) (2020-04-20T13:00:46Z)
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。