論文の概要: Basketball-SORT: An Association Method for Complex Multi-object Occlusion Problems in Basketball Multi-object Tracking
- arxiv url: http://arxiv.org/abs/2406.19655v1
- Date: Fri, 28 Jun 2024 04:49:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 17:39:39.611475
- Title: Basketball-SORT: An Association Method for Complex Multi-object Occlusion Problems in Basketball Multi-object Tracking
- Title（参考訳）: Basketball-SORT:Basketball Multi-object Trackingにおける複合多対象閉塞問題に対するアソシエーション手法
- Authors: Qingrui Hu, Atom Scott, Calvin Yeung, Keisuke Fujii,
- Abstract要約: バスケットボールビデオにおけるCMOO問題に焦点を当てた,オンラインかつ堅牢なMOT手法であるBasketball-SORTを提案する。
本手法は,バスケットボールの固定ビデオデータセット上で高次追跡精度(HOTA)の63.48$%のスコアを得る。
- 参考スコア（独自算出の注目度）: 1.7331775755285384
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recent deep learning-based object detection approaches have led to significant progress in multi-object tracking (MOT) algorithms. The current MOT methods mainly focus on pedestrian or vehicle scenes, but basketball sports scenes are usually accompanied by three or more object occlusion problems with similar appearances and high-intensity complex motions, which we call complex multi-object occlusion (CMOO). Here, we propose an online and robust MOT approach, named Basketball-SORT, which focuses on the CMOO problems in basketball videos. To overcome the CMOO problem, instead of using the intersection-over-union-based (IoU-based) approach, we use the trajectories of neighboring frames based on the projected positions of the players. Our method designs the basketball game restriction (BGR) and reacquiring Long-Lost IDs (RLLI) based on the characteristics of basketball scenes, and we also solve the occlusion problem based on the player trajectories and appearance features. Experimental results show that our method achieves a Higher Order Tracking Accuracy (HOTA) score of 63.48$\%$ on the basketball fixed video dataset and outperforms other recent popular approaches. Overall, our approach solved the CMOO problem more effectively than recent MOT algorithms.
- Abstract（参考訳）: 近年の深層学習に基づくオブジェクト検出手法は,多目的追跡(MOT)アルゴリズムに大きな進歩をもたらした。
現在のMOT方式は主に歩行者や車両のシーンに焦点を当てているが、バスケットボールのスポーツシーンには3つ以上の物体閉塞問題があり、類似した外観や高強度の複合動作が伴われ、複合多目的閉塞(CMOO)と呼ばれる。
本稿では,バスケットボールビデオにおけるCMOO問題に着目した,オンラインかつ堅牢なMOT手法であるBasketball-SORTを提案する。
CMOO問題を克服するため,プレイヤーの投影位置に基づいて隣接するフレームの軌跡を利用する。
本手法は,バスケットボールシーンの特徴に基づいて,バスケットボールゲーム制限 (BGR) とLLLI (Rong-Lost ID) を再獲得する。
実験結果から, バスケットボールの固定ビデオデータセットにおいて, 高次追跡精度(HOTA)の63.48$\%のスコアを達成し, その他の一般的な手法よりも優れていることがわかった。
近年のMOTアルゴリズムよりもCMOO問題を効果的に解いた。
関連論文リスト
- GTA: Global Tracklet Association for Multi-Object Tracking in Sports [28.771579713224085]
スポーツシナリオにおける多目的追跡は、コンピュータビジョンにおける焦点の1つとなっている。
トラッキング性能を向上させるために,外見に基づくグローバルトラックレットアソシエーションアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-12T22:16:50Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - 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) - Observation Centric and Central Distance Recovery on Sports Player
Tracking [24.396926939889532]
本稿では,バスケットボール,サッカー,バレーボールを含む3つのスポーツを対象とした,モーションベースのトラッキングアルゴリズムと3つのポストプロセッシングパイプラインを提案する。
本手法は,2022年のSportsmotワークショップ最終リーダーボードで3位にランクインした73.968のHOTAを達成した。
論文 参考訳（メタデータ） (2022-09-27T04:48:11Z) - SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in
Soccer Videos [62.686484228479095]
本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。
データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。
分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
論文 参考訳（メタデータ） (2022-04-14T12:22:12Z) - Fever Basketball: A Complex, Flexible, and Asynchronized Sports Game
Environment for Multi-agent Reinforcement Learning [38.4742699455284]
バスケットボールの試合をエージェントが訓練する新しい強化学習環境であるFever Basketballゲームを紹介した。
複数の文字、複数の位置、シングルエージェントとマルチエージェントのプレイヤー制御モードをサポートする複雑で困難な環境である。
現実のバスケットボールの試合をより良くシミュレートするために、アクションの実行時間が異なるため、Fever Basketballは新しい非同期環境となる。
論文 参考訳（メタデータ） (2020-12-06T07:51:59Z) - A Simple Baseline for Pose Tracking in Videos of Crowded Scenes [130.84731947842664]
混み合った複雑な環境での人間のポーズを追跡する方法は、十分に対処されていない。
検出モデルにより生成された各境界ボックスに人体IDを割り当てるために,多目的追跡手法を用いる。
最終的に、ビデオ中の時間情報を利用して、最終的なポーズ追跡結果を生成するために光学フローが使用される。
論文 参考訳（メタデータ） (2020-10-16T13:06:21Z) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要なタスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳（メタデータ） (2020-07-30T16:39:22Z) - 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。