論文の概要: Uncertainty-aware Unsupervised Multi-Object Tracking
- arxiv url: http://arxiv.org/abs/2307.15409v2
- Date: Wed, 20 Dec 2023 15:08:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 21:59:02.812404
- Title: Uncertainty-aware Unsupervised Multi-Object Tracking
- Title(参考訳): 不確かさを意識したマルチオブジェクト追跡
- Authors: Kai Liu, Sheng Jin, Zhihang Fu, Ze Chen, Rongxin Jiang, Jieping Ye
- Abstract要約: 教師なしマルチオブジェクトトラッカーは、信頼できる機能埋め込みの学習に劣る。
最近の自己監督技術は採用されているが、時間的関係を捉えられなかった。
本稿では、不確実性問題は避けられないが、不確実性自体を活用して学習された一貫性を向上させることができると論じる。
- 参考スコア(独自算出の注目度): 33.53331700312752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Without manually annotated identities, unsupervised multi-object trackers are
inferior to learning reliable feature embeddings. It causes the
similarity-based inter-frame association stage also be error-prone, where an
uncertainty problem arises. The frame-by-frame accumulated uncertainty prevents
trackers from learning the consistent feature embedding against time variation.
To avoid this uncertainty problem, recent self-supervised techniques are
adopted, whereas they failed to capture temporal relations. The interframe
uncertainty still exists. In fact, this paper argues that though the
uncertainty problem is inevitable, it is possible to leverage the uncertainty
itself to improve the learned consistency in turn. Specifically, an
uncertainty-based metric is developed to verify and rectify the risky
associations. The resulting accurate pseudo-tracklets boost learning the
feature consistency. And accurate tracklets can incorporate temporal
information into spatial transformation. This paper proposes a tracklet-guided
augmentation strategy to simulate tracklets' motion, which adopts a
hierarchical uncertainty-based sampling mechanism for hard sample mining. The
ultimate unsupervised MOT framework, namely U2MOT, is proven effective on
MOT-Challenges and VisDrone-MOT benchmark. U2MOT achieves a SOTA performance
among the published supervised and unsupervised trackers.
- Abstract(参考訳): 手動でアノテートされたIDがなければ、教師なしマルチオブジェクトトラッカーは信頼できる特徴埋め込みを学習するよりも劣る。
類似性に基づくフレーム間関連ステージもエラーを起こし、不確実性が発生する。
フレーム単位の累積不確実性は、トラッカが時間の変動に対して一貫した特徴を学習することを妨げる。
この不確実性を回避するため、最近の自己監督技術が採用されているが、時間的関係を捉えられなかった。
フレーム間の不確実性はまだ存在する。
実際、不確実性問題は避けられないが、不確実性自体を利用して学習された一貫性を次々に改善することが可能である。
特に、リスク関連を検証・修正するために不確実性に基づく計量が開発されている。
その結果、正確な擬似トラックレットは、機能の一貫性の学習を促進する。
そして正確なトラックレットは、時間情報を空間変換に組み込むことができる。
本稿では,ハードサンプルマイニングのための階層的不確実性に基づくサンプリング機構を適用し,トラックレットの動きをシミュレートするトラックレット誘導強化手法を提案する。
究極の教師なしMOTフレームワークであるU2MOTは、MOT-ChallengesとVisDrone-MOTベンチマークで有効であることが証明されている。
U2MOTは、公表された教師なしトラッカーと教師なしトラッカーの間でSOTA性能を達成する。
関連論文リスト
- UncertaintyTrack: Exploiting Detection and Localization Uncertainty in
Multi-Object Tracking [9.716201630968433]
マルチオブジェクトトラッキング(MOT)手法は近年,性能が大幅に向上している。
複数のTBDトラッカーに適用可能なエクステンションのコレクションであるUncertaintyTrackを紹介します。
バークレーディープドライブMOTデータセットの実験では、我々の手法と情報的不確実性推定の組み合わせにより、IDスイッチの数を約19%削減している。
論文 参考訳(メタデータ) (2024-02-19T17:27:04Z) - Seeing is not Believing: Robust Reinforcement Learning against Spurious
Correlation [57.351098530477124]
国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。
このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。
したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
論文 参考訳(メタデータ) (2023-07-15T23:53:37Z) - Collaborative Multi-Object Tracking with Conformal Uncertainty
Propagation [30.47064353266713]
コラボレーティブオブジェクト検出(COD)は,検出精度の向上と不確かさの低減を目的として提案されている。
我々はMOT性能を向上させるためにMOT-CUPと呼ばれる不確実性伝播フレームワークを設計する。
本フレームワークは, 直接モデリングと共形予測によりCODの不確かさを定量化し, この不確かさを運動予測および関連ステップに伝達する。
論文 参考訳(メタデータ) (2023-03-25T03:32:01Z) - Uncertainty Quantification of Collaborative Detection for Self-Driving [12.590332512097698]
連結車両と自律車両(CAV)間の情報共有は、自動運転のための協調物体検出の性能を向上させる。
しかし、CAVは実用上の課題のため、まだ物体検出に不確実性を持っている。
我々の研究は、協調物体検出の不確かさを最初に見積もるものである。
論文 参考訳(メタデータ) (2022-09-16T20:30:45Z) - Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。
トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
論文 参考訳(メタデータ) (2022-04-04T13:39:43Z) - Uncertainty-Aware Multiple Instance Learning fromLarge-Scale Long Time
Series Data [20.2087807816461]
本稿では,最も関連性の高い周期自動識別のための不確実性認識型マルチインスタンス(MIL)フレームワークを提案する。
さらに、別のモデルを訓練し、不確実性を考慮した融合を行うことにより、信頼できない予測を調整できる別のモダリティを組み込む。
実験結果から, 提案手法は, 軌道に基づく容器の形状を効果的に検出できることを示した。
論文 参考訳(メタデータ) (2021-11-16T17:09:02Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳(メタデータ) (2021-10-12T17:21:41Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳(メタデータ) (2021-05-28T09:23:05Z) - Continuity-Discrimination Convolutional Neural Network for Visual Object
Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。
この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。
不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文 参考訳(メタデータ) (2021-04-18T06:35:03Z) - Temporal Difference Uncertainties as a Signal for Exploration [76.6341354269013]
強化学習における探索の効果的なアプローチは、最適な政策に対するエージェントの不確実性に依存することである。
本稿では,評価値のバイアスや時間的に矛盾する点を強調した。
本稿では,時間差誤差の分布の導出に依存する値関数の不確かさを推定する手法を提案する。
論文 参考訳(メタデータ) (2020-10-05T18:11:22Z)
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。