論文の概要: AM-SORT: Adaptable Motion Predictor with Historical Trajectory Embedding for Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2401.13950v1
• Date: Thu, 25 Jan 2024 05:09:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 15:50:05.244883
• Title: AM-SORT: Adaptable Motion Predictor with Historical Trajectory Embedding for Multi-Object Tracking
• Title（参考訳）: AM-SORT:複数物体追跡のための履歴軌道埋め込み型適応運動予測器
• Authors: Vitaliy Kim, Gunho Jung, and Seong-Whan Lee
• Abstract要約: 我々は,非線形不確かさを推定するために適応性のある動き予測器AM-SORTを用いた動きに基づくMOT手法を提案する。 AM-SORTは、カルマンフィルタに取って代わるSORTシリーズトラッカーの新たな拡張である。
• 参考スコア（独自算出の注目度）: 26.585985828583304
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many multi-object tracking (MOT) approaches, which employ the Kalman Filter as a motion predictor, assume constant velocity and Gaussian-distributed filtering noises. These assumptions render the Kalman Filter-based trackers effective in linear motion scenarios. However, these linear assumptions serve as a key limitation when estimating future object locations within scenarios involving non-linear motion and occlusions. To address this issue, we propose a motion-based MOT approach with an adaptable motion predictor, called AM-SORT, which adapts to estimate non-linear uncertainties. AM-SORT is a novel extension of the SORT-series trackers that supersedes the Kalman Filter with the transformer architecture as a motion predictor. We introduce a historical trajectory embedding that empowers the transformer to extract spatio-temporal features from a sequence of bounding boxes. AM-SORT achieves competitive performance compared to state-of-the-art trackers on DanceTrack, with 56.3 IDF1 and 55.6 HOTA. We conduct extensive experiments to demonstrate the effectiveness of our method in predicting non-linear movement under occlusions.
• Abstract（参考訳）: 多くのマルチオブジェクト追跡(MOT)アプローチは、カルマンフィルタを運動予測器として用い、一定の速度とガウス分布のフィルタノイズを仮定する。 これらの仮定により、カルマンフィルタに基づくトラッカーは線形運動シナリオに有効である。 しかし、これらの線形仮定は、非線形運動とオクルージョンを含むシナリオにおける将来の対象位置の推定において重要な制限となる。 この問題に対処するため,AM-SORTと呼ばれる動き予測器を用いた動きに基づくMOT手法を提案し,非線形不確かさを推定する。 am-sortは、カルマンフィルタを動作予測器としてトランスフォーマーアーキテクチャで置き換える、ソートシリーズトラッカーの新しい拡張である。 トランスフォーマーが境界ボックス列から時空間的特徴を抽出することを可能にする,歴史的な軌道埋め込みを導入する。 AM-SORTはDanceTrackの最先端トラッカーに比べて56.3 IDF1と55.6 HOTAの競争力がある。 閉塞下での非線形運動予測において,本手法の有効性を実証するための広範な実験を行った。

関連論文リスト

• ETTrack: Enhanced Temporal Motion Predictor for Multi-Object Tracking [4.250337979548885]
  時間的動き予測器であるETTrackを用いた動きに基づくMOT手法を提案する。 具体的には、動作予測器は、変換器モデルと時間畳み込みネットワーク(TCN)を統合して、短期および長期の動作パターンをキャプチャする。 本研究では,DanceTrackとSportsMOTの最先端トラッカーと比較して,ETTrackの競争性能が向上していることを示す。
  論文  参考訳（メタデータ） (2024-05-24T17:51:33Z)
• Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring [71.60457491155451]
  様々な動きによって生じる画像のぼかしを除去することは、難しい問題である。 本研究では,動き適応型分離型協調フィルタと呼ばれる実世界のデブロアリングフィルタモデルを提案する。 本手法は,実世界の動きのぼかし除去に有効な解法を提供し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-04-19T19:44:24Z)
• Exploring Learning-based Motion Models in Multi-Object Tracking [23.547018300192065]
  MambaTrackはオンラインのモーションベースのトラッカーで、DanceTrackとSportsMOTのデータセットで既存のモーションベースのトラッカーを上回っている。 軌道特徴抽出における状態空間モデルの可能性を利用して追跡性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-16T06:26:52Z)
• DiffMOT: A Real-time Diffusion-based Multiple Object Tracker with Non-linear Prediction [15.542306419065945]
  我々はDiffMOTというリアルタイム拡散に基づくMOT手法を提案し、複雑な非線形運動に対処する。 MOTトラッカーとして、DiffMOTは22.7FPSでリアルタイムであり、DanceTrackやSportsMOTのデータセットの最先端よりも優れている。
  論文  参考訳（メタデータ） (2024-03-04T14:21:51Z)
• Beyond Kalman Filters: Deep Learning-Based Filters for Improved Object Tracking [3.5693768338940304]
  本稿では,追跡検出システムのための2つの革新的なデータ駆動フィルタリング手法を提案する。 最初の方法は、トレーニング可能な運動モデルを持つベイズフィルタを用いて、物体の将来の位置を予測する。 第2の方法は、エンドツーエンドのトレーニング可能なフィルタで、検出エラーの修正を学習することでさらに前進する。
  論文  参考訳（メタデータ） (2024-02-15T10:47:44Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
  DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。 具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。 我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-09T04:40:01Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Long-term Pedestrian Trajectory Prediction using Mutable Intention Filter and Warp LSTM [3.2059799592315787]
  軌道予測は、ロボットが歩行者を安全にナビゲートし、操作するための重要な能力の1つだ。 本研究では,人間の意図を推定し,軌道予測を行うために,ミュータブルインテンションフィルタとワープLSTMを組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-30T21:23:00Z)

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。