論文の概要: DeconfuseTrack:Dealing with Confusion for Multi-Object Tracking
- arxiv url: http://arxiv.org/abs/2403.02767v1
- Date: Tue, 5 Mar 2024 08:35:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 15:27:09.421847
- Title: DeconfuseTrack:Dealing with Confusion for Multi-Object Tracking
- Title（参考訳）: DeconfuseTrack:マルチオブジェクト追跡のためのコンフュージョンによるディーリング
- Authors: Cheng Huang, Shoudong Han, Mengyu He, Wenbo Zheng, Yuhao Wei
- Abstract要約: Decomposed Data Association (DDA) と呼ばれる,単純で汎用的で解釈可能なデータアソシエーション手法を提案する。
DDAは、従来のアソシエーション問題を、一連の非学習ベースのモジュールを用いて複数のサブプロブレムに分解する。
また,Occlusion-aware Non-Maximum Suppression (ONMS)を導入し,より閉塞な検出を行う。
- 参考スコア（独自算出の注目度）: 11.739356936959622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate data association is crucial in reducing confusion, such as ID
switches and assignment errors, in multi-object tracking (MOT). However,
existing advanced methods often overlook the diversity among trajectories and
the ambiguity and conflicts present in motion and appearance cues, leading to
confusion among detections, trajectories, and associations when performing
simple global data association. To address this issue, we propose a simple,
versatile, and highly interpretable data association approach called Decomposed
Data Association (DDA). DDA decomposes the traditional association problem into
multiple sub-problems using a series of non-learning-based modules and
selectively addresses the confusion in each sub-problem by incorporating
targeted exploitation of new cues. Additionally, we introduce Occlusion-aware
Non-Maximum Suppression (ONMS) to retain more occluded detections, thereby
increasing opportunities for association with trajectories and indirectly
reducing the confusion caused by missed detections. Finally, based on DDA and
ONMS, we design a powerful multi-object tracker named DeconfuseTrack,
specifically focused on resolving confusion in MOT. Extensive experiments
conducted on the MOT17 and MOT20 datasets demonstrate that our proposed DDA and
ONMS significantly enhance the performance of several popular trackers.
Moreover, DeconfuseTrack achieves state-of-the-art performance on the MOT17 and
MOT20 test sets, significantly outperforms the baseline tracker ByteTrack in
metrics such as HOTA, IDF1, AssA. This validates that our tracking design
effectively reduces confusion caused by simple global association.
- Abstract（参考訳）: 正確なデータアソシエーションは、多目的追跡(MOT)において、IDスイッチや代入エラーなどの混乱を低減するために重要である。
しかし、既存の先進的な手法は、軌跡間の多様性や、運動や外見の手がかりに存在するあいまいさや矛盾を見落とし、単純なグローバルデータアソシエーションを行う際には、検出、軌跡、関連性の混乱につながることが多い。
この問題に対処するため,我々はdda(decomposed data association)と呼ばれる,シンプルで汎用的で解釈性の高いデータアソシエーションアプローチを提案する。
DDAは,従来のアソシエーション問題を,一連の非学習ベースのモジュールを用いて複数のサブプロブレムに分解し,対象とする新しいキューを組み込むことで,各サブプロブレムの混乱を選択的に解消する。
さらに,Occlusion-aware Non-Maximum Suppression (ONMS)を導入して,より閉塞された検出を抑えるとともに,軌跡と関連付ける機会を増大させ,誤検出による混乱を間接的に軽減する。
最後に、DDAとONMSに基づいて、MOTの混乱を解決することに焦点を当てた、DeconfuseTrackという強力なマルチオブジェクトトラッカーを設計する。
MOT17およびMOT20データセットで行った大規模な実験により、提案したDDAおよびONMSは、いくつかの人気トラッカーの性能を大幅に向上することが示された。
さらに、DeconfuseTrackはMOT17とMOT20テストセットで最先端のパフォーマンスを達成し、HOTA、IDF1、AssAなどのメトリクスでベースライントラッカーByteTrackを著しく上回っている。
これにより、追跡設計が単純なグローバルアソシエーションによる混乱を効果的に軽減することを示す。
関連論文リスト
- 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) - 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) - SparseTrack: Multi-Object Tracking by Performing Scene Decomposition
based on Pseudo-Depth [84.64121608109087]
2次元画像から目標の相対的な深さを求めるための擬似深度推定法を提案する。
次に,得られた深度情報を用いて,高密度なターゲットセットを複数のスパースなターゲットサブセットに変換するディープカスケードマッチング(DCM)アルゴリズムを設計する。
擬似深度法とDCM戦略をデータアソシエーションプロセスに統合することにより、SparseTrackと呼ばれる新しいトラッカーを提案する。
論文 参考訳（メタデータ） (2023-06-08T14:36:10Z) - Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。
本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。
提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
論文 参考訳（メタデータ） (2023-05-22T04:40:30Z) - Transformer-based assignment decision network for multiple object
tracking [0.0]
本稿では,データアソシエーションに取り組むトランスフォーマーベースのアサインメント決定ネットワーク(TADN)について,推論中に明示的な最適化を必要とせずに紹介する。
提案手法は,トラッカーとしての単純な性質にもかかわらず,ほとんどの評価指標において最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2022-08-06T19:47:32Z) - Adaptive Affinity for Associations in Multi-Target Multi-Camera Tracking [53.668757725179056]
本稿では,MTMCTにおけるアフィニティ推定を対応する対応範囲に適応させるための,単純かつ効果的な手法を提案する。
すべての外見の変化に対処する代わりに、データアソシエーション中に出現する可能性のあるものに特化したアフィニティメトリックを調整します。
ミスマッチを最小限に抑えるため、アダプティブアフィニティモジュールはグローバルなre-ID距離を大幅に改善する。
論文 参考訳（メタデータ） (2021-12-14T18:59:11Z) - RelationTrack: Relation-aware Multiple Object Tracking with Decoupled
Representation [3.356734463419838]
既存のオンラインマルチオブジェクトトラッキング(MOT)アルゴリズムは、しばしば2つのサブタスク、検出および再識別(ReID)で構成されています。
推論速度を高め、複雑さを減らすために、現在のメソッドは一般的にこれらの二重サブタスクを統一されたフレームワークに統合します。
学習した表現を検出特異的およびReID固有の埋め込みに分離するGlobal Context Disentangling(GCD)というモジュールを考案した。
この制約を解決するために,トランスコーダの強力な推論能力と変形可能な注意を組み合わせることで,誘導トランス(gte)と呼ばれるモジュールを開発した。
論文 参考訳（メタデータ） (2021-05-10T13:00:40Z) - DEFT: Detection Embeddings for Tracking [3.326320568999945]
我々は,DEFT と呼ばれる効率的な関節検出・追跡モデルを提案する。
提案手法は,外見に基づくオブジェクトマッチングネットワークと,下層のオブジェクト検出ネットワークとの協調学習に依存している。
DEFTは2Dオンライントラッキングリーダーボードのトップメソッドに匹敵する精度とスピードを持っている。
論文 参考訳（メタデータ） (2021-02-03T20:00:44Z) - Rethinking the competition between detection and ReID in Multi-Object
Tracking [44.59367033562385]
検出と識別の埋め込みを共同で学習するワンショットモデルは、マルチオブジェクトトラッキング(MOT)において大きな注目を集めている。
本稿では,タスク依存表現をよりよく学習するために,自己関係と相互関係を持つ新しい相互ネットワーク(REN)を提案する。
また,ID埋め込みの関連性を改善するために,意味レベルのミスアライメントを防止するスケールアウェア・アテンション・ネットワーク(SAAN)を導入する。
論文 参考訳（メタデータ） (2020-10-23T02:44:59Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2020-03-10T00:04:32Z)
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。