論文の概要: SFSORT: Scene Features-based Simple Online Real-Time Tracker

• arxiv url: http://arxiv.org/abs/2404.07553v1
• Date: Thu, 11 Apr 2024 08:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 14:39:15.973578
• Title: SFSORT: Scene Features-based Simple Online Real-Time Tracker
• Title（参考訳）: SFSORT:Scene Features-based Simple Online Real-Time Tracker
• Authors: M. M. Morsali, Z. Sharifi, F. Fallah, S. Hashembeiki, H. Mohammadzade, S. Bagheri Shouraki,
• Abstract要約: 本稿では,MOTチャレンジデータセットを用いた実験に基づいて,世界最速の多対象追跡システムであるSFSORTを紹介する。 バウンディングボックス類似度指数(英語版)と呼ばれる新しいコスト関数を導入することにより、この研究はカルマンフィルタを排除し、計算要求を減らした。 提案手法は,MOT17データセットで処理速度2242HzのHOTAを61.7%,MOT20データセットで処理速度304HzのHOTAを60.9%とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces SFSORT, the world's fastest multi-object tracking system based on experiments conducted on MOT Challenge datasets. To achieve an accurate and computationally efficient tracker, this paper employs a tracking-by-detection method, following the online real-time tracking approach established in prior literature. By introducing a novel cost function called the Bounding Box Similarity Index, this work eliminates the Kalman Filter, leading to reduced computational requirements. Additionally, this paper demonstrates the impact of scene features on enhancing object-track association and improving track post-processing. Using a 2.2 GHz Intel Xeon CPU, the proposed method achieves an HOTA of 61.7\% with a processing speed of 2242 Hz on the MOT17 dataset and an HOTA of 60.9\% with a processing speed of 304 Hz on the MOT20 dataset. The tracker's source code, fine-tuned object detection model, and tutorials are available at \url{https://github.com/gitmehrdad/SFSORT}.
• Abstract（参考訳）: 本稿では,MOTチャレンジデータセットを用いた実験に基づいて,世界最速のマルチオブジェクトトラッキングシステムであるSFSORTを紹介する。 高精度かつ効率的なトラッカーを実現するために,従来の文献で確立されたオンラインリアルタイムトラッカーに追従して,トラッキング・バイ・ディテクト法を用いる。 バウンディングボックス類似度指数(英語版)と呼ばれる新しいコスト関数を導入することにより、この研究はカルマンフィルタを排除し、計算要求を減らした。 さらに,シーン特徴がオブジェクトトラックアソシエーションの強化とトラック後処理の改善に与える影響を述べる。 提案手法は2.2GHzのIntel Xeon CPUを用いて,MOT17データセットで処理速度2242HzのHOTA,MOT20データセットで処理速度304HzのHOTAを実現する。 トラッカーのソースコード、微調整されたオブジェクト検出モデル、チュートリアルは \url{https://github.com/gitmehrdad/SFSORT} で公開されている。

関連論文リスト

• LITE: A Paradigm Shift in Multi-Object Tracking with Efficient ReID Feature Integration [0.3277163122167433]
  マルチオブジェクト追跡(MOT)手法として,軽量な統合的追跡機能抽出パラダイムが導入された。 推論、前処理、後処理、ReIDモデルのトレーニングコストを削減して、ReIDベースのトラッカーを強化する。
  論文  参考訳（メタデータ） (2024-09-06T11:05:12Z)
• 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)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Autoregressive Queries for Adaptive Tracking with Spatio-TemporalTransformers [55.46413719810273]
  リッチ時間情報は、視覚追跡における複雑なターゲットの出現に不可欠である。 提案手法は,6つの一般的な追跡ベンチマークにおいてトラッカーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T02:39:26Z)
• 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)
• VariabilityTrack:Multi-Object Tracking with Variable Speed Object Movement [1.6385815610837167]
  マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 環境フィードバックに基づく可変速度カルマンフィルタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-12T12:39:41Z)
• Faster object tracking pipeline for real time tracking [0.0]
  マルチオブジェクトトラッキング(MOT)は、視覚ベースのアプリケーションにとって難しい実践的問題である。 本稿では,検出に基づく物体追跡手法の高速化に有効な汎用パイプラインについて紹介する。
  論文  参考訳（メタデータ） (2020-11-08T06:33:48Z)
• Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
  本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。 また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
  論文  参考訳（メタデータ） (2020-08-20T08:05:33Z)
• Tracking Objects as Points [83.9217787335878]
  同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。 トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。 CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
  論文  参考訳（メタデータ） (2020-04-02T17:58:40Z)

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。