Fugu-MT 論文翻訳(概要): BoostTrack++: using tracklet information to detect more objects in multiple object tracking

論文の概要: BoostTrack++: using tracklet information to detect more objects in multiple object tracking

arxiv url: http://arxiv.org/abs/2408.13003v1
Date: Fri, 23 Aug 2024 11:44:21 GMT
ステータス: 処理完了
システム内更新日: 2024-08-26 15:20:16.331267
Title: BoostTrack++: using tracklet information to detect more objects in multiple object tracking
Title（参考訳）: BoostTrack++: 複数のオブジェクト追跡において、より多くのオブジェクトを検出するためにトラックレット情報を使用する
Authors: Vukašin Stanojević, Branimir Todorović,
Abstract要約: 類似度尺度と過去の信頼度スコアに基づいて,新たな信頼度スコアを算出するソフト検出信頼度向上手法を提案する。提案手法は,MOT17データセット上でのアート結果の近況と,MOT20データセット上でのアートHOTAとIDF1スコアの新たな状態を実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multiple object tracking (MOT) depends heavily on selection of true positive detected bounding boxes. However, this aspect of the problem is mostly overlooked or mitigated by employing two-stage association and utilizing low confidence detections in the second stage. Recently proposed BoostTrack attempts to avoid the drawbacks of multiple stage association approach and use low-confidence detections by applying detection confidence boosting. In this paper, we identify the limitations of the confidence boost used in BoostTrack and propose a method to improve its performance. To construct a richer similarity measure and enable a better selection of true positive detections, we propose to use a combination of shape, Mahalanobis distance and novel soft BIoU similarity. We propose a soft detection confidence boost technique which calculates new confidence scores based on the similarity measure and the previous confidence scores, and we introduce varying similarity threshold to account for lower similarity measure between detections and tracklets which are not regularly updated. The proposed additions are mutually independent and can be used in any MOT algorithm. Combined with the BoostTrack+ baseline, our method achieves near state of the art results on the MOT17 dataset and new state of the art HOTA and IDF1 scores on the MOT20 dataset. The source code is available at: https://github.com/vukasin-stanojevic/BoostTrack .
Abstract（参考訳）: 多重物体追跡(MOT)は、正の正の検知された有界箱の選択に大きく依存する。しかし、この問題のこの側面は、主に2段階のアソシエーションを採用し、第2段階の低信頼検出を活用することによって見落とされ、緩和される。最近提案されたBoostTrackは、複数のステージアソシエーションアプローチの欠点を回避し、検出信頼度向上を適用して低信頼度検出を使用する。本稿では,BoostTrackにおける信頼性向上の限界を特定し,その性能向上手法を提案する。よりリッチな類似度尺度を構築し,真の正検出のより良い選択を可能にするために,形状,マハラノビス距離,新しいソフトBIoU類似度の組み合わせを提案する。類似度尺度と過去の信頼度スコアに基づいて新しい信頼度スコアを算出するソフト検出信頼度向上手法を提案し、定期的に更新されていない検出値とトラストレットとの類似度を低くするために、様々な類似度閾値を導入する。提案された加算は相互に独立であり、任意のMOTアルゴリズムで使用することができる。 BoostTrack+ベースラインと組み合わせることで,MOT17データセットの最先端結果と,MOT20データセットの最先端HOTAとIDF1スコアの新たな結果が得られる。ソースコードは、https://github.com/vukasin-stanojevic/BoostTrack で入手できる。

関連論文リスト

ConsistencyTrack: A Robust Multi-Object Tracker with a Generation Strategy of Consistency Model [20.259334882471574]
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技術であり、ビデオシーケンス内の複数のターゲットを検出し、各ターゲットにフレーム毎にユニークなIDを割り当てるように設計されている。既存のMOTメソッドは、様々なシナリオでリアルタイムで複数のオブジェクトを正確に追跡する。本稿では,境界ボックス上の拡散過程として検出と関連を定式化するための新しいConsistencyTrack, Joint Detection and Tracking (JDT) フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-28T05:53:30Z)
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)
Adaptive Confidence Threshold for ByteTrack in Multi-Object Tracking [9.156625199253947]
ByteTrackは単純なトラッキングアルゴリズムであり、複数のオブジェクトの同時トラッキングを可能にする。本稿では,高信頼度検出と低信頼度検出を区別する新しい適応手法を提案する。
論文参考訳（メタデータ） (2023-12-04T06:01:46Z)
SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
論文参考訳（メタデータ） (2023-05-16T15:18:42Z)
Detection-aware multi-object tracking evaluation [1.7880586070278561]
本研究では,異なる検出器を用いたトラッカー評価を行うため,TEM(Tracking Effort Measure)と呼ばれる新しい性能指標を提案する。 TEMは、入力検出に対する相関を小さくして、トラッカーによってなされた労力を定量化することができる。
論文参考訳（メタデータ） (2022-12-16T15:35:34Z)
QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple Object Tracking [73.52284039530261]
本稿では,コントラスト学習のために,画像上に数百のオブジェクト領域を密集した擬似Dense類似性学習を提案する。得られた特徴空間は、オブジェクトアソシエーションの推論時間において、単純な近接探索を許容する。我々の類似性学習方式は,ビデオデータに限らず,静的入力でも有効なインスタンス類似性を学ぶことができることを示す。
論文参考訳（メタデータ） (2022-10-12T15:47:36Z)
Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
論文参考訳（メタデータ） (2022-03-22T18:37:11Z)
Multi-object Tracking with Tracked Object Bounding Box Association [18.539658212171062]
CenterTrack Trackingアルゴリズムは,単純な検出モデルと単一フレーム空間オフセットを用いて,最先端のトラッキング性能を実現する。本研究では,CenterTrackアルゴリズムに,現在のフレームに基づく単純なトラッキングオブジェクトバウンディングボックスと重複予測を組み込むことを提案する。
論文参考訳（メタデータ） (2021-05-17T14:32:47Z)
Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文参考訳（メタデータ） (2021-05-07T09:37:06Z)
Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
論文参考訳（メタデータ） (2021-04-01T10:19:40Z)
Quasi-Dense Similarity Learning for Multiple Object Tracking [82.93471035675299]
本稿では, コントラスト学習のための画像に対して, 数百の領域提案を高密度にサンプリングする準高次類似性学習を提案する。この類似性学習と既存の検出手法を直接組み合わせてQuasi-Dense Tracking(QDTrack)を構築することができる。
論文参考訳（メタデータ） (2020-06-11T17:57:12Z)

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。