論文の概要: MapTrack: Tracking in the Map
- arxiv url: http://arxiv.org/abs/2402.12968v1
- Date: Tue, 20 Feb 2024 12:35:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 15:18:26.079426
- Title: MapTrack: Tracking in the Map
- Title（参考訳）: MapTrack: Map内のトラッキング
- Authors: Fei Wang, Ruohui Zhang, Chenglin Chen, Min Yang, Yun Bai
- Abstract要約: Multi-Object Tracking (MOT) は、各ターゲットに対する安定トラジェクトリと未中断トラジェクトリの維持を目的としている。
ほとんどの最先端のアプローチは、まず各フレーム内のオブジェクトを検出し、次に新しい検出と既存のトラックの間のデータ関連を実装する。
本稿では,確率マップ,予測マップ,共分散適応カルマンフィルタの3つの軽量・プラグアンドプレイアルゴリズムからなる新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.991113420276767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-Object Tracking (MOT) aims to maintain stable and uninterrupted
trajectories for each target. Most state-of-the-art approaches first detect
objects in each frame and then implement data association between new
detections and existing tracks using motion models and appearance similarities.
Despite achieving satisfactory results, occlusion and crowds can easily lead to
missing and distorted detections, followed by missing and false associations.
In this paper, we first revisit the classic tracker DeepSORT, enhancing its
robustness over crowds and occlusion significantly by placing greater trust in
predictions when detections are unavailable or of low quality in crowded and
occluded scenes. Specifically, we propose a new framework comprising of three
lightweight and plug-and-play algorithms: the probability map, the prediction
map, and the covariance adaptive Kalman filter. The probability map identifies
whether undetected objects have genuinely disappeared from view (e.g., out of
the image or entered a building) or are only temporarily undetected due to
occlusion or other reasons. Trajectories of undetected targets that are still
within the probability map are extended by state estimations directly. The
prediction map determines whether an object is in a crowd, and we prioritize
state estimations over observations when severe deformation of observations
occurs, accomplished through the covariance adaptive Kalman filter. The
proposed method, named MapTrack, achieves state-of-the-art results on popular
multi-object tracking benchmarks such as MOT17 and MOT20. Despite its superior
performance, our method remains simple, online, and real-time. The code will be
open-sourced later.
- Abstract（参考訳）: Multi-Object Tracking (MOT) は、各ターゲットに対する安定トラジェクトリと未中断トラジェクトリの維持を目的としている。
最先端のアプローチのほとんどは、まず各フレーム内のオブジェクトを検出し、新しい検出と既存のトラック間のデータ関連を、モーションモデルと外観の類似性を使って実装する。
満足な結果を得たにもかかわらず、閉塞や群集は容易に欠落や歪んだ検出につながり、その後に欠落や偽の関連が生じる。
本稿では,従来のトラッカーであるDeepSORTを再考し,群衆に対する頑健さと排他性を大幅に向上させ,検出が不可能な場合,あるいは混み合ったシーンでは品質の低下を予測し,より信頼度を高めた。
具体的には,確率マップ,予測マップ,共分散適応カルマンフィルタという,軽量かつプラグアンドプレイの3つのアルゴリズムからなる新しいフレームワークを提案する。
確率マップは、検出されていない物体が視界から真に消えたか(例えば、画像外や建物に入るなど)、あるいは隠蔽やその他の理由で一時的に検出されていないかを特定する。
確率マップ内にある未検出対象の軌道は、状態推定によって直接拡張される。
予測マップは, 物体が群集内にあるか否かを判定し, 共分散適応カルマンフィルタを用いて, 観測の過度な変形が発生した際の状態推定を優先する。
提案手法はMapTrackと呼ばれ,MOT17やMOT20などの一般的なマルチオブジェクト追跡ベンチマークにおいて,最先端の結果が得られる。
優れた性能にもかかわらず、我々の手法はシンプルで、オンラインであり、リアルタイムである。
コードは後でオープンソース化される。
関連論文リスト
- 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) - Joint Counting, Detection and Re-Identification for Multi-Object
Tracking [8.89262850257871]
混雑したシーンでは、共同検出と追跡は通常、ミスや誤検出のために正確なオブジェクト関連を見つけることができない。
混み合ったシーンに適したエンドツーエンドフレームワークであるCountingMOTで、カウント、検出、再識別を共同でモデル化する。
提案したMOTトラッカーは、オンラインとリアルタイムのトラッキングが可能で、公開ベンチマークMOT16(79.7のMOTA)、MOT17(81.3%のMOTA)、MOT20(78.9%のMOTA)の最先端結果が得られる。
論文 参考訳（メタデータ） (2022-12-12T12:53:58Z) - ShaSTA: Modeling Shape and Spatio-Temporal Affinities for 3D
Multi-Object Tracking [25.093138732809738]
マルチオブジェクトトラッキングは、あらゆるロボットシステムの基盤となる能力である。
検出器は、低い精度のリコールシステムで機能し、偽陽性の頻度を高い頻度で生成しながら、低い数の偽陰性を確実にする。
本研究では, 連続するフレーム間の形状と時間的親和性を学習し, 真陽性と偽陽性の検知とトラックの識別をより良くする手法を提案する。
論文 参考訳（メタデータ） (2022-11-08T00:20:38Z) - Real-time AdaBoost cascade face tracker based on likelihood map and
optical flow [59.17685450892182]
著者らは、光学フロー情報をヴィオラ・ジョーンズ検出アルゴリズムの修正版に組み込む新しい顔追跡手法を提案する。
元のアルゴリズムでは、前のフレームからの情報が考慮されないため、検出は静的である。
提案したトラッカーは、各ウィンドウが通過する分類段階の数に関する情報を保存する。
論文 参考訳（メタデータ） (2022-10-25T10:15:07Z) - A Two-Block RNN-based Trajectory Prediction from Incomplete Trajectory [14.725386295605666]
本稿では,ベイズフィルタフレームワークの推論ステップを近似した2ブロックRNNモデルを提案する。
提案手法は,3つのベースライン計算法と比較して予測精度を向上することを示す。
また,提案手法は誤り検出がない場合の基準値よりも予測精度がよいことを示す。
論文 参考訳（メタデータ） (2022-03-14T13:39:44Z) - 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) - Detecting Invisible People [58.49425715635312]
我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。
私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。
第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
論文 参考訳（メタデータ） (2020-12-15T16:54:45Z) - 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) - 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) - Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。
このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。
我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
論文 参考訳（メタデータ） (2020-03-20T09:48:53Z)
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。