論文の概要: Offline Tracking with Object Permanence

• arxiv url: http://arxiv.org/abs/2310.01288v4
• Date: Sat, 4 May 2024 14:21:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 00:45:15.144987
• Title: Offline Tracking with Object Permanence
• Title（参考訳）: オブジェクトパーマンスによるオフライン追跡
• Authors: Xianzhong Liu, Holger Caesar,
• Abstract要約: 本稿では,隠蔽された物体追跡に焦点をあてたオフライン追跡モデルを提案する。 これはオブジェクト永続性の概念を活用し、オブジェクトがもはや観測されていない場合でも、オブジェクトは存在し続けることを意味する。 従来のオンライン追跡結果を大幅に改善することにより、3次元多目的追跡における最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 0.8901073744693314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To reduce the expensive labor cost for manual labeling autonomous driving datasets, an alternative is to automatically label the datasets using an offline perception system. However, objects might be temporally occluded. Such occlusion scenarios in the datasets are common yet underexplored in offline auto labeling. In this work, we propose an offline tracking model that focuses on occluded object tracks. It leverages the concept of object permanence which means objects continue to exist even if they are not observed anymore. The model contains three parts: a standard online tracker, a re-identification (Re-ID) module that associates tracklets before and after occlusion, and a track completion module that completes the fragmented tracks. The Re-ID module and the track completion module use the vectorized map as one of the inputs to refine the tracking results with occlusion. The model can effectively recover the occluded object trajectories. It achieves state-of-the-art performance in 3D multi-object tracking by significantly improving the original online tracking result, showing its potential to be applied in offline auto labeling as a useful plugin to improve tracking by recovering occlusions.
• Abstract（参考訳）: 自動走行データセットを手動でラベル付けする作業コストを削減するために、オフラインの認識システムを使用してデータセットを自動的にラベル付けする方法もある。 しかし、オブジェクトは時間的に無視されるかもしれない。 データセットのこのような排他的シナリオは、オフラインの自動ラベリングでは一般的だが、過小評価されている。 本研究では,隠蔽された物体追跡に焦点をあてたオフライン追跡モデルを提案する。 これはオブジェクト永続性の概念を活用し、オブジェクトがもはや観測されていない場合でも、オブジェクトは存在し続けることを意味する。 このモデルには、標準的なオンライントラッカー、閉塞前後のトラックレットを関連付ける再識別(Re-ID)モジュール、断片化されたトラックを補完するトラック補完モジュールの3つの部分が含まれている。 Re-IDモジュールとトラック完了モジュールは、ベクトル化されたマップを入力の1つとして使用し、オクルージョンで追跡結果を洗練する。 このモデルは、隠蔽された物体軌跡を効果的に回収することができる。 従来のオンライントラッキング結果を大幅に改善し,オフライン自動ラベリングに応用できる可能性を示し,オクルージョンを回収してトラッキングを改善することで,最先端の3Dマルチオブジェクトトラッキングを実現する。

関連論文リスト

• SeMoLi: What Moves Together Belongs Together [51.72754014130369]
  動作手がかりに基づく半教師付き物体検出に挑戦する。 近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。 我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
  論文  参考訳（メタデータ） (2024-02-29T18:54:53Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR based 3D Object Detection [50.959453059206446]
  本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。 まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。 従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
  論文  参考訳（メタデータ） (2023-04-24T17:59:05Z)
• Simulation-to-Reality domain adaptation for offline 3D object annotation on pointclouds with correlation alignment [0.20999222360659603]
  シミュレーションデータを用いて,配備車両が収集した実世界の点群を半自動アノテートする手法を提案する。 我々は、CARLAのラベル付きシミュレーションデータと、ターゲット車からの現実世界の点雲を併用した3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-02-06T00:40:18Z)
• Exploring Simple 3D Multi-Object Tracking for Autonomous Driving [10.921208239968827]
  LiDARポイントクラウドにおける3Dマルチオブジェクトトラッキングは、自動運転車にとって重要な要素である。 既存の手法は、主にトラッキング・バイ・検出パイプラインに基づいており、検出アソシエーションのマッチングステップが必然的に必要である。 我々は,手作りの追跡パラダイムをシンプルにするために,原点雲からの共同検出と追跡のためのエンドツーエンドのトレーニング可能なモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-23T17:59:22Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)
• Track to Detect and Segment: An Online Multi-Object Tracker [81.15608245513208]
  TraDeSは、エンドツーエンドの検出を支援するために追跡の手がかりを利用するオンライン共同検出および追跡モデルです。 TraDeSは、以前のオブジェクトの機能を伝播するために使用されるコストボリュームでオブジェクト追跡オフセットを推測します。
  論文  参考訳（メタデータ） (2021-03-16T02:34:06Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。