Fugu-MT 論文翻訳(概要): Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections

論文の概要: Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections

arxiv url: http://arxiv.org/abs/2309.09765v1
Date: Mon, 18 Sep 2023 13:45:35 GMT
ステータス: 処理完了
システム内更新日: 2023-09-19 13:23:42.443809
Title: Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections
Title（参考訳）: 局所化誘導トラック:検出の局所化信頼に基づくディープアソシエーション多目的追跡フレームワーク
Authors: Ting Meng, Chunyun Fu, Mingguang Huang, Xiyang Wang, Jiawei He, Tao Huang, Wankai Shi
Abstract要約: 局所化信頼度はMOTで初めて適用され、検出ボックスの外観明快さと位置化精度が考慮される。提案手法は, 比較した最先端追跡法より優れる。
参考スコア（独自算出の注目度）: 4.565826090373598
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In currently available literature, no tracking-by-detection (TBD) paradigm-based tracking method has considered the localization confidence of detection boxes. In most TBD-based methods, it is considered that objects of low detection confidence are highly occluded and thus it is a normal practice to directly disregard such objects or to reduce their priority in matching. In addition, appearance similarity is not a factor to consider for matching these objects. However, in terms of the detection confidence fusing classification and localization, objects of low detection confidence may have inaccurate localization but clear appearance; similarly, objects of high detection confidence may have inaccurate localization or unclear appearance; yet these objects are not further classified. In view of these issues, we propose Localization-Guided Track (LG-Track). Firstly, localization confidence is applied in MOT for the first time, with appearance clarity and localization accuracy of detection boxes taken into account, and an effective deep association mechanism is designed; secondly, based on the classification confidence and localization confidence, a more appropriate cost matrix can be selected and used; finally, extensive experiments have been conducted on MOT17 and MOT20 datasets. The results show that our proposed method outperforms the compared state-of-art tracking methods. For the benefit of the community, our code has been made publicly at https://github.com/mengting2023/LG-Track.
Abstract（参考訳）: 現在入手可能な文献では,検出ボックスの局所化信頼度を考慮したTBDパラダイムに基づくトラッキング手法が存在しない。多くのTBD法では、検出信頼度が低いオブジェクトは極めて無視されているため、そのようなオブジェクトを直接無視したり、マッチングの優先度を下げたりするのが普通であると考えられる。加えて、外観の類似性はこれらのオブジェクトをマッチングするために考慮すべき要素ではない。しかし, 分類と局所化を併用した検出信頼度では, 検出信頼度の低い物体は不正確な局所性を持つが, 明瞭な外観を持つ可能性がある。これらの問題を考慮し,地域誘導トラック (LG-Track) を提案する。まず,MOTにおける局所化信頼度を初めて適用し,検出ボックスの見かけの明快さと局所化精度を考慮し,効果的な深部結合機構を設計し,分類信頼度と局所化信頼度に基づいて,より適切なコスト行列を選択して利用することができるようにし,MOT17およびMOT20データセットに対して広範な実験を行った。その結果,提案手法は比較した最先端追跡手法に勝ることがわかった。コミュニティの利益のために、私たちのコードはhttps://github.com/mengting2023/LG-Track.comで公開されています。

関連論文リスト

Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文参考訳（メタデータ） (2023-10-19T12:59:55Z)
Confidence-driven Bounding Box Localization for Small Object Detection [30.906712428887147]
信頼性駆動型バウンディングボックスローカライゼーション(C-BBL)法を提案する。 C-BBLは連続ラベルをグリッドに量子化し、2ホット基底の真理ラベルを定式化する。異なるラベルシステムに対するC-BBLの一般化可能性と高分解能検出の有効性を示す。
論文参考訳（メタデータ） (2023-03-03T09:19:08Z)
ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing [32.679280923208715]
オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
論文参考訳（メタデータ） (2022-10-20T19:16:39Z)
Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-06T16:46:30Z)
Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。 MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
論文参考訳（メタデータ） (2021-08-25T04:32:39Z)
Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文参考訳（メタデータ） (2021-05-07T09:37:06Z)
Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文参考訳（メタデータ） (2020-11-17T09:39:42Z)
A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文参考訳（メタデータ） (2020-07-25T02:14:42Z)
Location-Aware Box Reasoning for Anchor-Based Single-Shot Object Detection [19.669531374307805]
単発物体検出器は、ボックス提案の事前選択がないため、ボックスの品質を損なう。境界ボックスに対する位置認識型アンカーベース推論(LAAR)を提案する。 LAARは、バウンディングボックスの品質評価を考慮して、位置と分類の信頼性の両方を考慮に入れている。
論文参考訳（メタデータ） (2020-07-13T08:24:41Z)
Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。