論文の概要: RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud

• arxiv url: http://arxiv.org/abs/2405.11536v3
• Date: Fri, 04 Oct 2024 11:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-07 15:06:35.995128
• Title: RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud
• Title（参考訳）: RobMOT:LiDARポイントクラウド上の観測ノイズと状態推定ドリフトによるロバスト3次元多物体追跡
• Authors: Mohamed Nagy, Naoufel Werghi, Bilal Hassan, Jorge Dias, Majid Khonji,
• Abstract要約: この研究は、最近の3次元トラッキング・バイ・検出手法の限界に対処する。 そこで本稿では,正解トラックとゴーストトラックを時間的に区別する新しいオンライントラック妥当性メカニズムを提案する。 我々はまた、軌道ドリフトにおけるノイズ緩和を強化するカルマンフィルタの改良を導入し、閉塞物体のより堅牢な状態推定を可能にした。
• 参考スコア（独自算出の注目度）: 11.111388829965103
• License:
• Abstract: This work addresses limitations in recent 3D tracking-by-detection methods, focusing on identifying legitimate trajectories and addressing state estimation drift in Kalman filters. Current methods rely heavily on threshold-based filtering of false positive detections using detection scores to prevent ghost trajectories. However, this approach is inadequate for distant and partially occluded objects, where detection scores tend to drop, potentially leading to false positives exceeding the threshold. Additionally, the literature generally treats detections as precise localizations of objects. Our research reveals that noise in detections impacts localization information, causing trajectory drift for occluded objects and hindering recovery. To this end, we propose a novel online track validity mechanism that temporally distinguishes between legitimate and ghost tracks, along with a multi-stage observational gating process for incoming observations. This mechanism significantly improves tracking performance, with a $6.28\%$ in HOTA and a $17.87\%$ increase in MOTA. We also introduce a refinement to the Kalman filter that enhances noise mitigation in trajectory drift, leading to more robust state estimation for occluded objects. Our framework, RobMOT, outperforms state-of-the-art methods, including deep learning approaches, across various detectors, achieving up to a $4\%$ margin in HOTA and $6\%$ in MOTA. RobMOT excels under challenging conditions, such as prolonged occlusions and tracking distant objects, with up to a 59\% improvement in processing latency.
• Abstract（参考訳）: この研究は、カルマンフィルタにおける正則な軌跡の同定と状態推定ドリフトに焦点をあてた、最近の3次元トラッキング・バイ・検出手法の限界に対処する。 現在の手法は、ゴースト軌跡を防止するために検出スコアを用いた偽陽性検出のしきい値に基づくフィルタリングに大きく依存している。 しかし、この手法は、検出スコアが低下する傾向があり、しきい値を超える偽陽性につながる可能性がある、遠く、あるいは部分的に隠蔽された物体には不十分である。 さらに、文献は一般的に、検出をオブジェクトの正確な位置化として扱う。 本研究は,検出時のノイズが局所化情報に影響を及ぼし,閉塞物体の軌跡ドリフトを引き起こし,回復を阻害することを明らかにする。 そこで本研究では,正当性とゴーストのトラックを時間的に区別する新しいオンライントラック検証機構と,入射観測のための多段階観測ゲーティングプロセスを提案する。 この機構は追跡性能を大幅に改善し、HOTAは6.28.%、MOTAは17.87.%上昇した。 我々はまた、軌道ドリフトにおけるノイズ緩和を強化するカルマンフィルタの改良を導入し、閉塞物体のより堅牢な状態推定を可能にした。 私たちのフレームワークであるRobMOTは、さまざまな検出器をまたいだディープラーニングアプローチを含む最先端の手法よりも優れており、HOTAで最大4\%、MOTAで最大6\%のマージンを実現しています。 RobMOTは、オクルージョンの延長や遠方のオブジェクトの追跡といった困難な条件下で、処理遅延を最大で59倍改善する。

関連論文リスト

• RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
  本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。 具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。 我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
  論文  参考訳（メタデータ） (2024-03-28T08:54:40Z)
• UncertaintyTrack: Exploiting Detection and Localization Uncertainty in Multi-Object Tracking [8.645078288584305]
  マルチオブジェクトトラッキング(MOT)手法は近年,性能が大幅に向上している。 複数のTBDトラッカーに適用可能なエクステンションのコレクションであるUncertaintyTrackを紹介します。 バークレーディープドライブMOTデータセットの実験では、我々の手法と情報的不確実性推定の組み合わせにより、IDスイッチの数を約19%削減している。
  論文  参考訳（メタデータ） (2024-02-19T17:27:04Z)
• Towards Unsupervised Object Detection From LiDAR Point Clouds [46.57452180314863]
  OYSTER (Object Discovery via Spatio-Temporal Refinement) は、オブジェクトをゼロショットで検出できる。 距離対衝突に基づく新しい計画中心の知覚尺度を提案する。
  論文  参考訳（メタデータ） (2023-11-03T16:12:01Z)
• Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR based 3D Object Detection [50.959453059206446]
  本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。 まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。 従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
  論文  参考訳（メタデータ） (2023-04-24T17:59:05Z)
• 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)
• Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
  我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。 領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。 大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
  論文  参考訳（メタデータ） (2022-08-22T04:47:40Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• 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)
• AutoSelect: Automatic and Dynamic Detection Selection for 3D Multi-Object Tracking [25.744696682209934]
  3Dマルチオブジェクトトラッキングは、自動運転車などのロボット認識システムの重要なコンポーネントです。 最近の研究は、過去のトラックレットと現在のフレーム内の検出とを一致させることを目的としたトラッキングバイディテクションパイプラインに従っている。 適切なしきい値を見つけることは簡単ではなく、アブレーションによる広範囲な手動探索を必要とする。 高品質の検出を自動的に選択し、手動のしきい値検索に必要な労力を取り除くことを提案します。
  論文  参考訳（メタデータ） (2020-12-10T18:55:51Z)
• Uncertainty-Aware Voxel based 3D Object Detection and Tracking with von-Mises Loss [13.346392746224117]
  不確実性は、認識システムのエラーに対処し、堅牢性を改善するのに役立ちます。 本稿では,SECOND検出器に不確実性レグレッションを追加することにより,目標追尾性能を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2020-11-04T21:53:31Z)
• 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)

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。