論文の概要: Multiple Object Tracking based on Occlusion-Aware Embedding Consistency
Learning
- arxiv url: http://arxiv.org/abs/2311.02572v1
- Date: Sun, 5 Nov 2023 06:08:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:52:38.614311
- Title: Multiple Object Tracking based on Occlusion-Aware Embedding Consistency
Learning
- Title(参考訳): オクルージョン・アウェア埋め込み一貫性学習に基づく複数物体追跡
- Authors: Yaoqi Hu, Axi Niu, Yu Zhu, Qingsen Yan, Jinqiu Sun, Yanning Zhang
- Abstract要約: Occlusion Prediction Module (OPM)とOcclusion-Aware Association Module (OAAM)
OPMは、真の検出毎に閉塞情報を予測し、トラックの視覚埋め込みの一貫性学習のための有効なサンプルの選択を容易にする。
OAAMは各トラックに対して2つの別々の埋め込みを生成し、非閉塞検出と非閉塞検出の両方で一貫性を保証する。
- 参考スコア(独自算出の注目度): 46.726678333518066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Joint Detection and Embedding (JDE) framework has achieved remarkable
progress for multiple object tracking. Existing methods often employ extracted
embeddings to re-establish associations between new detections and previously
disrupted tracks. However, the reliability of embeddings diminishes when the
region of the occluded object frequently contains adjacent objects or clutters,
especially in scenarios with severe occlusion. To alleviate this problem, we
propose a novel multiple object tracking method based on visual embedding
consistency, mainly including: 1) Occlusion Prediction Module (OPM) and 2)
Occlusion-Aware Association Module (OAAM). The OPM predicts occlusion
information for each true detection, facilitating the selection of valid
samples for consistency learning of the track's visual embedding. The OAAM
leverages occlusion cues and visual embeddings to generate two separate
embeddings for each track, guaranteeing consistency in both unoccluded and
occluded detections. By integrating these two modules, our method is capable of
addressing track interruptions caused by occlusion in online tracking
scenarios. Extensive experimental results demonstrate that our approach
achieves promising performance levels in both unoccluded and occluded tracking
scenarios.
- Abstract(参考訳): jde(joint detection and embedded)フレームワークは、複数のオブジェクト追跡において著しく進歩した。
既存の手法では、しばしば抽出された埋め込みを用いて、新しい検出と以前破壊されていたトラックの関連を再確立する。
しかし、密閉物体の領域に隣接する物体や乱れが頻繁に含まれている場合、特に重篤な閉塞を伴う場合、埋め込みの信頼性は低下する。
この問題を軽減するために,視覚的埋め込みの整合性に基づく新しい複数物体追跡手法を提案する。
1)閉塞予測モジュール(OPM)と
2)オクルージョン・アウェア・アソシエーション・モジュール(oaam)
OPMは、真の検出毎に閉塞情報を予測し、トラックの視覚埋め込みの一貫性学習のための有効なサンプルの選択を容易にする。
OAAMはオクルージョンキューと視覚埋め込みを利用して、各トラックに2つの別々の埋め込みを生成する。
これら2つのモジュールを統合することで,オンライントラッキングシナリオにおける閉塞によるトラック割り込みに対処することができる。
広範囲な実験結果から,提案手法は非オクルードとオクルードの両方の追跡シナリオにおいて有望な性能レベルを達成できることが示された。
関連論文リスト
- 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) - Occlusion-Aware Detection and Re-ID Calibrated Network for Multi-Object
Tracking [38.36872739816151]
検出器内のOAA(Occlusion-Aware Attention)モジュールは、隠蔽された背景領域を抑えながらオブジェクトの特徴を強調する。
OAAは、隠蔽される可能性のある物体の検出器を強化する変調器として機能する。
最適輸送問題に基づくRe-ID埋め込みマッチングブロックを設計する。
論文 参考訳(メタデータ) (2023-08-30T06:56:53Z) - DiffusionTrack: Diffusion Model For Multi-Object Tracking [15.025051933538043]
マルチオブジェクトトラッキング(MOT)は、単一のフレーム内の個々のオブジェクトを検出し、それらを複数のフレーム間で関連付けることを目的とした、難しい視覚タスクである。
近年のMOT法は,2段階追跡検出法(TBD)と1段階関節検出追跡法(JDT)に分類できる。
本稿では,オブジェクト検出と結合を一貫した認知拡散過程として定式化する,単純だが堅牢なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-19T04:48:41Z) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳(メタデータ) (2023-04-10T11:10:42Z) - Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。
ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。
MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
論文 参考訳(メタデータ) (2023-03-15T08:38:08Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳(メタデータ) (2022-11-01T20:59:38Z) - SIOD: Single Instance Annotated Per Category Per Image for Object
Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。
WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。
SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文 参考訳(メタデータ) (2022-03-29T08:49:51Z) - Online Multi-Object Tracking with Unsupervised Re-Identification
Learning and Occlusion Estimation [80.38553821508162]
異なるオブジェクト間のオクルージョンは、MOT(Multi-Object Tracking)の典型的な課題である
本稿では,これらの問題に対処する2つの新しいモジュールを設計し,オンラインマルチオブジェクト追跡に焦点を当てる。
提案した教師なし再識別学習モジュールは、(疑似)識別情報を一切必要とせず、スケーラビリティの問題に悩まされることもない。
本研究は、最先端MOT法に適用した場合、教師なし再識別学習は教師なし再識別学習に匹敵するものであることを示す。
論文 参考訳(メタデータ) (2022-01-04T18:59:58Z) - Multi-object Tracking with a Hierarchical Single-branch Network [31.680667324595557]
階層的な単一ブランチネットワークに基づくオンライン多目的追跡フレームワークを提案する。
新たなiHOIM損失関数は,2つのサブタスクの目的を統一し,より優れた検出性能を実現する。
MOT16とMOT20データセットの実験結果から,最先端のトラッキング性能が達成できた。
論文 参考訳(メタデータ) (2021-01-06T12:14:58Z) - IA-MOT: Instance-Aware Multi-Object Tracking with Motion Consistency [40.354708148590696]
IA-MOT(Instance-Aware MOT)は、静止カメラまたは移動カメラで複数の物体を追跡できる。
提案手法は,CVPR 2020ワークショップにおけるBMTTチャレンジのトラック3で優勝した。
論文 参考訳(メタデータ) (2020-06-24T03:53:36Z)
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。