論文の概要: BASE: Probably a Better Approach to Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2309.12035v1
• Date: Thu, 21 Sep 2023 12:58:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 15:18:23.009822
• Title: BASE: Probably a Better Approach to Multi-Object Tracking
• Title（参考訳）: BASE: 多目的追跡へのより良いアプローチ
• Authors: Martin Vonheim Larsen, Sigmund Rolfsjord, Daniel Gusland, J\"orgen Ahlberg and Kim Mathiassen
• Abstract要約: 他の分野をリードする確率的追跡アルゴリズムは、驚くほどリーダーボードを欠いている。 Re-Idを使わずにMOT17およびMOT20上でSOTA(State-of-the-art)を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of visual object tracking is dominated by methods that combine simple tracking algorithms and ad hoc schemes. Probabilistic tracking algorithms, which are leading in other fields, are surprisingly absent from the leaderboards. We found that accounting for distance in target kinematics, exploiting detector confidence and modelling non-uniform clutter characteristics is critical for a probabilistic tracker to work in visual tracking. Previous probabilistic methods fail to address most or all these aspects, which we believe is why they fall so far behind current state-of-the-art (SOTA) methods (there are no probabilistic trackers in the MOT17 top 100). To rekindle progress among probabilistic approaches, we propose a set of pragmatic models addressing these challenges, and demonstrate how they can be incorporated into a probabilistic framework. We present BASE (Bayesian Approximation Single-hypothesis Estimator), a simple, performant and easily extendible visual tracker, achieving state-of-the-art (SOTA) on MOT17 and MOT20, without using Re-Id. Code will be made available at https://github.com/ffi-no
• Abstract（参考訳）: 視覚オブジェクト追跡の分野は、単純なトラッキングアルゴリズムとアドホックスキームを組み合わせた手法によって支配されている。 他の分野をリードする確率的追跡アルゴリズムは、驚くほどリーダーボードを欠いている。 目標運動学における距離の計算,検出器の信頼性の活用,非一様クラッタ特性のモデル化は,確率的トラッカーが視覚的追跡に有効であることを示す。 従来の確率的手法はこれらすべての側面に対処できないため、現在の最先端(SOTA)手法よりはるかに遅れている(MOT17トップ100には確率的トラッカーは存在しない)。 確率的アプローチの進展を再現するために,これらの課題に対処する実用的モデルのセットを提案し,確率的枠組みに組み込む方法を示す。 提案するBASE(Bayesian Approximation Single-hypothesis Estimator, Bayesian Approximation Single-hypothesis Estimator)は,Re-Idを使わずにMOT17およびMOT20上でSOTA(State-of-the-art)を実現する。 コードはhttps://github.com/ffi-noで公開される。

関連論文リスト

• MapTrack: Tracking in the Map [14.991113420276767]
  Multi-Object Tracking (MOT) は、各ターゲットに対する安定トラジェクトリと未中断トラジェクトリの維持を目的としている。 ほとんどの最先端のアプローチは、まず各フレーム内のオブジェクトを検出し、次に新しい検出と既存のトラックの間のデータ関連を実装する。 本稿では,確率マップ,予測マップ,共分散適応カルマンフィルタの3つの軽量・プラグアンドプレイアルゴリズムからなる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:35:23Z)
• Dense Optical Tracking: Connecting the Dots [82.79642869586587]
  DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。 OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:59:59Z)
• Robust Multi-Object Tracking by Marginal Inference [92.48078680697311]
  ビデオにおける多目的追跡は、隣接するフレーム内のオブジェクト間の1対1の割り当てに関する根本的な問題を解決する必要がある。 本稿では,各オブジェクトの限界確率をリアルタイムに計算する効率的な手法を提案する。 MOT17とMOT20ベンチマークで競合する結果を得る。
  論文  参考訳（メタデータ） (2022-08-07T14:04:45Z)
• SimpleTrack: Understanding and Rethinking 3D Multi-object Tracking [17.351635242415703]
  3Dマルチオブジェクトトラッキング(MOT)は、近年、多くの新しいベンチマークやアプローチを目撃している。 その進歩と有用性にもかかわらず、その強さと弱点の詳細な分析はまだ得られていない。 現在の3D MOTメソッドを4つの構成部品に分解することで、統一されたフレームワークにまとめる。
  論文  参考訳（メタデータ） (2021-11-18T10:57:57Z)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• Quasi-Dense Similarity Learning for Multiple Object Tracking [82.93471035675299]
  本稿では, コントラスト学習のための画像に対して, 数百の領域提案を高密度にサンプリングする準高次類似性学習を提案する。 この類似性学習と既存の検出手法を直接組み合わせてQuasi-Dense Tracking(QDTrack)を構築することができる。
  論文  参考訳（メタデータ） (2020-06-11T17:57:12Z)
• ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
  オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。 そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-16T06:43:11Z)
• RetinaTrack: Online Single Stage Joint Detection and Tracking [22.351109024452462]
  両タスクがミッションクリティカルな自律運転におけるトラッキング・バイ・検出パラダイムに注目した。 本稿では、一般的な単一ステージのRetinaNetアプローチを改良したRetinaTrackと呼ばれる、概念的にシンプルで効率的な検出と追跡のジョイントモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-30T23:46:29Z)
• Probabilistic Regression for Visual Tracking [193.05958682821444]
  本稿では,確率論的回帰定式化を提案し,追跡に適用する。 入力画像が与えられたターゲット状態の条件付き確率密度を予測する。 トラッカーは6つのデータセットに新しい最先端のデータをセットし、LaSOTでは59.8%、TrackingNetでは75.8%のAUCを達成した。
  論文  参考訳（メタデータ） (2020-03-27T17:58:37Z)

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。