論文の概要: Self-Supervised Multi-Object Tracking with Path Consistency

• arxiv url: http://arxiv.org/abs/2404.05136v1
• Date: Mon, 8 Apr 2024 01:29:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 18:41:48.780657
• Title: Self-Supervised Multi-Object Tracking with Path Consistency
• Title（参考訳）: 経路整合性を考慮した自己監督型多物体追跡
• Authors: Zijia Lu, Bing Shuai, Yanbei Chen, Zhenlin Xu, Davide Modolo,
• Abstract要約: 本稿では,手動のオブジェクト識別管理を使わずに,ロバストなオブジェクトマッチングを学習するための経路整合性の概念を提案する。 我々は複数の観測経路を生成し、それぞれがスキップすべき異なるフレームの集合を指定し、関連性を強制するパス一貫性損失を定式化する。
• 参考スコア（独自算出の注目度）: 28.923565712817645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a novel concept of path consistency to learn robust object matching without using manual object identity supervision. Our key idea is that, to track a object through frames, we can obtain multiple different association results from a model by varying the frames it can observe, i.e., skipping frames in observation. As the differences in observations do not alter the identities of objects, the obtained association results should be consistent. Based on this rationale, we generate multiple observation paths, each specifying a different set of frames to be skipped, and formulate the Path Consistency Loss that enforces the association results are consistent across different observation paths. We use the proposed loss to train our object matching model with only self-supervision. By extensive experiments on three tracking datasets (MOT17, PersonPath22, KITTI), we demonstrate that our method outperforms existing unsupervised methods with consistent margins on various evaluation metrics, and even achieves performance close to supervised methods.
• Abstract（参考訳）: 本稿では,手動のオブジェクト識別管理を使わずに,ロバストなオブジェクトマッチングを学習するための経路整合性の概念を提案する。 我々のキーとなる考え方は、物体をフレームを通して追跡するために、観察できるフレーム、すなわち観察中のフレームをスキップすることで、モデルから複数の異なる関連結果を得ることができることである。 観測結果の違いが物体の同一性を変えることはないため、得られた関連性は一貫性があるべきである。 この理論に基づいて、複数の観測経路を生成し、それぞれがスキップすべき異なるフレームの集合を指定し、関連結果を強制するパス一貫性損失を定式化する。 提案した損失を利用して、自己スーパービジョンのみでオブジェクトマッチングモデルをトレーニングします。 3つの追跡データセット(MOT17, PersonPath22, KITTI)の広範囲な実験により,本手法は様々な評価指標に対して一貫したマージンで既存の教師なし手法よりも優れており,教師なし手法に近い性能を達成できることを示した。

関連論文リスト

• Self-Supervised Any-Point Tracking by Contrastive Random Walks [17.50529887238381]
  我々はグローバルマッチング変換器を訓練し、コントラッシブなランダムウォークを通してビデオを通してサイクル整合性のあるトラックを見つける。 提案手法はTapVidベンチマークで高い性能を達成し,従来の自己教師付きトラッキング手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-24T17:59:56Z)
• Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training [84.95281245784348]
  共起関係の過度な強調は、モデルの過度な問題を引き起こす可能性がある。 本稿では,対象対象物とその共起対象物による相関特性を媒介者とみなすことができることを示す因果推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-09T13:13:24Z)
• Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
  そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。 提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-11-17T08:17:49Z)
• S$^3$Track: Self-supervised Tracking with Soft Assignment Flow [45.77333923477176]
  ビデオレベルのアソシエーションラベルを使わずに、自己監督型複数物体追跡について検討する。 オブジェクトアソシエーションのための微分可能なソフトオブジェクト割り当てを提案する。 提案手法は,KITTI,nuScenes,Argoverseのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-05-17T06:25:40Z)
• Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
  本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。 各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。 頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:58:27Z)
• 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)
• Improving tracking with a tracklet associator [17.839783649372116]
  マルチプルオブジェクトトラッキング(Multiple Object Tracking、MOT)は、コンピュータビジョンにおけるタスクであり、ビデオ内のオブジェクトの位置を検出し、それらをユニークなアイデンティティに関連付けることを目的としている。 本稿では,制約プログラミング(CP)に基づく手法を提案する。その目的は,既存のトラッカーに移植することで,オブジェクトの関連性を改善することである。
  論文  参考訳（メタデータ） (2022-04-22T12:47:46Z)
• 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)
• 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)

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。