論文の概要: An Approach for Multi-Object Tracking with Two-Stage Min-Cost Flow
- arxiv url: http://arxiv.org/abs/2311.02642v1
- Date: Sun, 5 Nov 2023 13:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:26:34.927181
- Title: An Approach for Multi-Object Tracking with Two-Stage Min-Cost Flow
- Title(参考訳): 2段ミンコストフローを用いたマルチオブジェクトトラッキングの一手法
- Authors: Huining Li, Yalong Jiang, Xianlin Zeng, Feng Li, Zhipeng Wang
- Abstract要約: 我々は,2段目で修正された不正確なトラックレットを正確に検出できる交差点マスク付き2段追跡パイプラインを開発した。
78.4 MOTAはMOT16,79.2はMOT17,76.4はMOT20で達成し,提案手法が有効であることを示す。
- 参考スコア(独自算出の注目度): 7.544236014098564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The minimum network flow algorithm is widely used in multi-target tracking.
However, the majority of the present methods concentrate exclusively on
minimizing cost functions whose values may not indicate accurate solutions
under occlusions. In this paper, by exploiting the properties of tracklets
intersections and low-confidence detections, we develop a two-stage tracking
pipeline with an intersection mask that can accurately locate inaccurate
tracklets which are corrected in the second stage. Specifically, we employ the
minimum network flow algorithm with high-confidence detections as input in the
first stage to obtain the candidate tracklets that need correction. Then we
leverage the intersection mask to accurately locate the inaccurate parts of
candidate tracklets. The second stage utilizes low-confidence detections that
may be attributed to occlusions for correcting inaccurate tracklets. This
process constructs a graph of nodes in inaccurate tracklets and low-confidence
nodes and uses it for the second round of minimum network flow calculation. We
perform sufficient experiments on popular MOT benchmark datasets and achieve
78.4 MOTA on the test set of MOT16, 79.2 on MOT17, and 76.4 on MOT20, which
shows that the proposed method is effective.
- Abstract(参考訳): ネットワークフロー最小アルゴリズムはマルチターゲット追跡に広く使われている。
しかし, 本手法の大部分は, 咬合下での正確な解を示さないコスト関数の最小化に特化している。
本稿では,トラックレットの交差点特性と低信頼検出を生かして,第2段で補正された不正確なトラックレットを正確に特定できる交差点マスクを備えた2段追跡パイプラインを開発した。
具体的には,第1段の入力として信頼度検出を行う最小のネットワークフローアルゴリズムを用い,補正を必要とする候補トラックレットを得る。
次に、交差マスクを利用して、候補トラックレットの不正確な部分を正確に特定する。
第2段階では、不正確なトラックレットを修正するために、オクルージョンに起因する可能性のある低信頼度検出を利用する。
このプロセスは、不正確なトラックレットと低信頼ノードのノードのグラフを構築し、最小ネットワークフロー計算の第2ラウンドに使用する。
一般的なMOTベンチマークデータセットに対して十分な実験を行い,MOT17では78.4 MOTA,MOT17では79.2,MOT20では76.4を,提案手法が有効であることを示す。
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) - A PST Algorithm for FPs Suppression in Two-stage CNN Detection Methods [2.288618928064061]
本稿では,歩行者と歩行者以外のサンプルを識別する2段階CNN検出手法の学習を支援するために,歩行者に敏感な学習アルゴリズムを提案する。
提案アルゴリズムの助けを借りて,より小型で高精度なメトロ旅客検出器であるMetroNextの検出精度がさらに向上した。
論文 参考訳(メタデータ) (2024-05-24T08:26:14Z) - 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) - Bridging the Gap Between End-to-end and Non-End-to-end Multi-Object
Tracking [27.74953961900086]
既存のエンドツーエンドのマルチオブジェクト追跡(e2e-MOT)手法は、非エンドツーエンドのトラッキング・バイ・検出手法を超えていない。
本稿では,e2e-MOT をシャドウ概念を用いた新しいラベル割り当てにより,簡便かつ効果的な方法である Co-MOT を提案する。
論文 参考訳(メタデータ) (2023-05-22T05:18:34Z) - 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) - Tracklets Predicting Based Adaptive Graph Tracking [51.352829280902114]
マルチオブジェクト追跡,すなわち textbfTPAGT のための,正確かつエンドツーエンドの学習フレームワークを提案する。
動作予測に基づいて、現在のフレーム内のトラックレットの特徴を再抽出する。
論文 参考訳(メタデータ) (2020-10-18T16:16:49Z) - Tracking-by-Counting: Using Network Flows on Crowd Density Maps for
Tracking Multiple Targets [96.98888948518815]
State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。
混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
論文 参考訳(メタデータ) (2020-07-18T19:51:53Z) - 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) - Multi-object Tracking via End-to-end Tracklet Searching and Ranking [11.46601533985954]
本稿では,オンライン・エンドツーエンドのトラックレット探索学習プロセスを導入することで,トラックレットの一貫性を最適化する新しい手法を提案する。
トラックレットの出現エンコーダとしてのシーケンスモデルにより、トラッカーは従来のトラックレットアソシエーションベースラインから顕著な性能向上を達成する。
提案手法は,公開検出とオンライン設定を用いたMOT1517チャレンジベンチマークの最先端性も達成している。
論文 参考訳(メタデータ) (2020-03-04T18:46:01Z) - Multiple Object Tracking by Flowing and Fusing [31.58422046611455]
Flow-Fuse-Tracker (FFT) は、画素レベルの光学フローから、目標方向の動きの無期限数を学習する追跡手法である。
ターゲットfusingでは、FuseTrackerモジュールがFlowTrackerとフレームワイドオブジェクト検出によって提案されるターゲットを洗練およびヒューズする。
オンラインMOTアプローチとして、FFTは2DMOT15で46.3、MOT16で56.5、MOT17追跡ベンチマークで56.5のMOTAを作成した。
論文 参考訳(メタデータ) (2020-01-30T05:17:22Z)
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。