論文の概要: FishMOT: A Simple and Effective Method for Fish Tracking Based on IoU Matching

• arxiv url: http://arxiv.org/abs/2309.02975v1
• Date: Wed, 6 Sep 2023 13:16:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 15:24:00.581200
• Title: FishMOT: A Simple and Effective Method for Fish Tracking Based on IoU Matching
• Title（参考訳）: FishMOT:IoUマッチングに基づく魚追跡の簡便かつ効果的な方法
• Authors: Shuo Liu, Lulu Han, Xiaoyang Liu, Junli Ren, Fang Wang, Yuanshan Lin
• Abstract要約: 本稿では,Fish Multiple Object Tracking (Fish Multiple Object Tracking) という新しいトラッキング手法を提案する。 オブジェクト検出技術とIoUマッチングアルゴリズムを組み合わせることで、効率よく、正確で、堅牢な魚の検出と追跡を実現する。 実験の結果,提案手法は様々な評価指標において他の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 9.927877981501194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The tracking of various fish species plays a profoundly significant role in understanding the behavior of individual fish and their groups. Present tracking methods suffer from issues of low accuracy or poor robustness. In order to address these concerns, this paper proposes a novel tracking approach, named FishMOT (Fish Multiple Object Tracking). This method combines object detection techniques with the IoU matching algorithm, thereby achieving efficient, precise, and robust fish detection and tracking. Diverging from other approaches, this method eliminates the need for multiple feature extractions and identity assignments for each individual, instead directly utilizing the output results of the detector for tracking, thereby significantly reducing computational time and storage space. Furthermore, this method imposes minimal requirements on factors such as video quality and variations in individual appearance. As long as the detector can accurately locate and identify fish, effective tracking can be achieved. This approach enhances robustness and generalizability. Moreover, the algorithm employed in this method addresses the issue of missed detections without relying on complex feature matching or graph optimization algorithms. This contributes to improved accuracy and reliability. Experimental trials were conducted in the open-source video dataset provided by idtracker.ai, and comparisons were made with state-of-the-art detector-based multi-object tracking methods. Additionally, comparisons were made with idtracker.ai and TRex, two tools that demonstrate exceptional performance in the field of animal tracking. The experimental results demonstrate that the proposed method outperforms other approaches in various evaluation metrics, exhibiting faster speed and lower memory requirements. The source codes and pre-trained models are available at: https://github.com/gakkistar/FishMOT
• Abstract（参考訳）: 様々な魚種の追跡は、個々の魚とそのグループの行動を理解する上で非常に重要な役割を担っている。 現在追跡法は, 精度の低下や堅牢性の低下に悩まされている。 このような問題に対処するため,本研究では,Fish Multiple Object Tracking(Fish Multiple Object Tracking)という新しいトラッキング手法を提案する。 本手法は, 物体検出手法とIoUマッチングアルゴリズムを組み合わせることにより, 効率, 正確, 堅牢な魚検出・追跡を実現する。 他の手法と異なり、この方法は個々の特徴抽出やアイデンティティ割り当ての必要性を排除し、代わりに検出器の出力結果を直接利用して追跡し、計算時間と記憶空間を大幅に削減する。 さらに,本手法では,映像品質や個性の変化などの要因について最小限の要件を課す。 検知器が魚を正確に見つけて識別できる限り、効果的な追跡が可能となる。 このアプローチは堅牢性と一般化性を高める。 さらに, この手法では, 複雑な特徴マッチングやグラフ最適化アルゴリズムに頼ることなく, 欠落検出の問題に対処する。 これにより精度と信頼性が向上する。 idtracker.aiが提供するオープンソースのビデオデータセットで実験を行い、最先端の検出器に基づくマルチオブジェクト追跡法との比較を行った。 さらに、動物追跡の分野で優れたパフォーマンスを示す2つのツールであるidtracker.aiとTRexとの比較を行った。 実験の結果,提案手法は様々な評価指標において他の手法よりも優れ,高速化とメモリ要求の低減を実現していることがわかった。 ソースコードと事前訓練されたモデルは以下の通りである。

関連論文リスト

• FMRFT: Fusion Mamba and DETR for Query Time Sequence Intersection Fish Tracking [3.599033310931609]
  本稿では,複雑なマルチシナリオ・スタージョン追跡データセットを確立する。 リアルタイムの魚追跡ソリューションであるFMRFTモデルを導入している。 このモデルは、ビデオメモリ消費の少ないMamba In Mambaアーキテクチャを取り入れている。
  論文  参考訳（メタデータ） (2024-09-02T10:33:45Z)
• A method for detecting dead fish on large water surfaces based on improved YOLOv10 [0.6874745415692134]
  死んだ魚は水質の悪化、生態系の損傷、病気の伝染などの重大な問題を引き起こす可能性がある。 本稿では,拡張YOLOv10フレームワーク上に構築したエンドツーエンド検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-31T08:43:37Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Multi-Object Tracking by Iteratively Associating Detections with Uniform Appearance for Trawl-Based Fishing Bycatch Monitoring [22.228127377617028]
  漁業活動における漁獲監視の目的は、映像から魚の標的をリアルタイムで検出し、追跡し、分類することである。 本稿では,既存の観測中心追跡アルゴリズムに基づく新しいMOT手法を提案する。 本手法は,海洋魚種群およびMOT17種群において,一様外観の追跡目標の性能向上と最先端技術の向上を図っている。
  論文  参考訳（メタデータ） (2023-04-10T18:55:10Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)
• Modular Multi Target Tracking Using LSTM Networks [0.0]
  本稿では,センサ計測を用いた航空機目標追尾システムに対する自由端対端手法を提案する。 提案したモジュールブロックは、多数のトラッキングアプリケーションで独立して訓練および使用することができる。
  論文  参考訳（メタデータ） (2020-11-16T15:58:49Z)
• Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
  本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。 また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
  論文  参考訳（メタデータ） (2020-08-20T08:05:33Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。