論文の概要: Comparative study of multi-person tracking methods

• arxiv url: http://arxiv.org/abs/2310.04825v1
• Date: Sat, 7 Oct 2023 14:29:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 15:15:57.298310
• Title: Comparative study of multi-person tracking methods
• Title（参考訳）: 多人数追跡法の比較研究
• Authors: Denis Mbey Akola
• Abstract要約: 本研究の目的は,これらの手法の発見と追跡パイプラインにおけるこれらのアルゴリズムに関する有用な洞察を提供することである。 われわれはMOT17Detデータセットを用いて歩行者検出モデルを訓練した。 次に,トラクタ++がSORTよりも優れたマルチパーソントラッキングアルゴリズムであることを示す実験結果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a study of two tracking algorithms (SORT~\cite{7533003} and Tracktor++~\cite{2019}) that were ranked first positions on the MOT Challenge leaderboard (The MOTChallenge web page: https://motchallenge.net ). The purpose of this study is to discover the techniques used and to provide useful insights about these algorithms in the tracking pipeline that could improve the performance of MOT tracking algorithms. To this end, we adopted the popular tracking-by-detection approach. We trained our own Pedestrian Detection model using the MOT17Det dataset (MOT17Det : https://motchallenge.net/data/MOT17Det/ ). We also used a re-identification model trained on MOT17 dataset (MOT17 : https://motchallenge.net/data/MOT17/ ) for Tracktor++ to reduce the false re-identification alarms. We then present experimental results which shows that Tracktor++ is a better multi-person tracking algorithm than SORT. We also performed ablation studies to discover the contribution of re-identification(RE-ID) network and motion to the results of Tracktor++. We finally conclude by providing some recommendations for future research.
• Abstract（参考訳）: 本稿では,MOTチャレンジのリーダーボード(The MOTChallenge web page: https://motchallenge.net.com)にランクインした2つの追跡アルゴリズム(SORT~\cite{7533003} と Tracktor++~\cite{2019} )について述べる。 本研究の目的は,mot追跡アルゴリズムの性能を向上させるための追跡パイプラインにおいて,使用される手法を発見し,それらのアルゴリズムに関する有用な洞察を提供することである。 この目的のために,一般的なトラッキング・バイ・検出手法を採用した。 私たちはMOT17Detデータセット(MOT17Det: https://motchallenge.net/data/MOT17Det/ )を使用して、独自の歩行者検出モデルをトレーニングしました。 また、Tracktor++でMOT17データセット(MOT17 : https://motchallenge.net/data/MOT17/ )でトレーニングされた再識別モデルを使用して、誤識別アラームを低減しました。 次に,トラクタ++がSORTよりも優れたマルチパーソントラッキングアルゴリズムであることを示す実験結果を示す。 また,Tracktor++の結果に対するre-identification(RE-ID)ネットワークと動作の寄与を明らかにするためにアブレーション研究を行った。 最後に、将来の研究のためにいくつかの勧告を提供することで締めくくります。

関連論文リスト

• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• Tracking with Human-Intent Reasoning [64.69229729784008]
  この作業では、新しいトラッキングタスクであるインストラクショントラッキングを提案している。 ビデオフレーム内で自動的にトラッキングを実行するようにトラッカーに要求する暗黙の追跡命令を提供する。 TrackGPTは複雑な推論ベースの追跡を行うことができる。
  論文  参考訳（メタデータ） (2023-12-29T03:22:18Z)
• Detection-aware multi-object tracking evaluation [1.7880586070278561]
  本研究では,異なる検出器を用いたトラッカー評価を行うため,TEM(Tracking Effort Measure)と呼ばれる新しい性能指標を提案する。 TEMは、入力検出に対する相関を小さくして、トラッカーによってなされた労力を定量化することができる。
  論文  参考訳（メタデータ） (2022-12-16T15:35:34Z)
• EnsembleMOT: A Step towards Ensemble Learning of Multiple Object Tracking [18.741196817925534]
  複数オブジェクト追跡(MOT)は近年急速に進歩している。 そこで我々は,EnsembleMOTと呼ばれるMOTのためのシンプルだが効果的なアンサンブル手法を提案する。 本手法はモデル非依存であり,学習手順は不要である。
  論文  参考訳（メタデータ） (2022-10-11T09:18:01Z)
• Bag of Tricks for Domain Adaptive Multi-Object Tracking [4.084199842578325]
  提案手法は,既存の検出器とトラッカーを用いて,トラッキング・バイ・ディテクト・パラダイムを用いて構築された。 私たちが使ったトラッカーはオンライントラッカーで、新たに受信した検出を既存のトラックにリンクするだけです。 SIA_TrackはBMTT 2022チャレンジでMOT Synth2MOT17トラックで1位となった。
  論文  参考訳（メタデータ） (2022-05-31T08:49:20Z)
• StrongSORT: Make DeepSORT Great Again [19.099510933467148]
  我々は、古典的なトラッカーであるDeepSORTを再検討し、検出、埋め込み、関連付けといった様々な側面からアップグレードする。 結果、StrongSORTと呼ばれるトラッカーは、MOT17とMOT20に新しいHOTAとIDF1レコードをセットする。 追跡結果をさらに改善するために,軽量かつプラグアンドプレイのアルゴリズムを2つ提案する。
  論文  参考訳（メタデータ） (2022-02-28T02:37:19Z)
• 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)
• 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)
• 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)
• Tracking by Instance Detection: A Meta-Learning Approach [99.66119903655711]
  本稿では,高性能トラッカー構築のための3段階の原理的手法を提案する。 我々は2つの現代的な検出器であるRetinaNetとFCOSをベースに、Retina-MAMLとFCOS-MAMLという2つのトラッカーを構築した。 両方のトラッカーは40FPSでリアルタイムに動作します。
  論文  参考訳（メタデータ） (2020-04-02T05:55:06Z)

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。