論文の概要: When to Extract ReID Features: A Selective Approach for Improved Multiple Object Tracking

• arxiv url: http://arxiv.org/abs/2409.06617v2
• Date: Thu, 21 Nov 2024 20:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:01:16.261799
• Title: When to Extract ReID Features: A Selective Approach for Improved Multiple Object Tracking
• Title（参考訳）: ReID特徴抽出のタイミング:複数物体追跡の改善のための選択的アプローチ
• Authors: Emirhan Bayar, Cemal Aker,
• Abstract要約: ReID(Rettracting and matching Re-Identification)機能は、多くの最先端(SOTA)多重オブジェクト追跡(MOT)手法で使用されている。 本稿では,精度,モジュール性,実装容易性を保ちながら,特徴抽出のオーバーヘッドを最小限に抑えるための選択的アプローチについて検討する。 我々は、StrongSORTとDeep OC-SORTに適用することで、その効果を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Extracting and matching Re-Identification (ReID) features is used by many state-of-the-art (SOTA) Multiple Object Tracking (MOT) methods, particularly effective against frequent and long-term occlusions. While end-to-end object detection and tracking have been the main focus of recent research, they have yet to outperform traditional methods in benchmarks like MOT17 and MOT20. Thus, from an application standpoint, methods with separate detection and embedding remain the best option for accuracy, modularity, and ease of implementation, though they are impractical for edge devices due to the overhead involved. In this paper, we investigate a selective approach to minimize the overhead of feature extraction while preserving accuracy, modularity, and ease of implementation. This approach can be integrated into various SOTA methods. We demonstrate its effectiveness by applying it to StrongSORT and Deep OC-SORT. Experiments on MOT17, MOT20, and DanceTrack datasets show that our mechanism retains the advantages of feature extraction during occlusions while significantly reducing runtime. Additionally, it improves accuracy by preventing confusion in the feature-matching stage, particularly in cases of deformation and appearance similarity, which are common in DanceTrack. https://github.com/emirhanbayar/Fast-StrongSORT, https://github.com/emirhanbayar/Fast-Deep-OC-SORT
• Abstract（参考訳）: ReID(Rettracting and matching Re-Identification)機能は、多くの最先端(SOTA)マルチプルオブジェクト追跡(MOT)手法で使われ、特に頻繁かつ長期の閉塞に対して有効である。 エンドツーエンドのオブジェクト検出と追跡が最近の研究の焦点となっているが、MOT17やMOT20のようなベンチマークでは、従来の手法をまだ上回っていない。 したがって、アプリケーションの観点から見れば、検出と埋め込みを分離したメソッドは、オーバーヘッドが伴うエッジデバイスでは実用的ではないが、正確性、モジュール性、実装の容易性にとって最良の選択肢である。 本稿では,精度,モジュール性,実装容易性を保ちながら,特徴抽出のオーバーヘッドを最小限に抑えるための選択的アプローチについて検討する。 このアプローチは様々なSOTAメソッドに統合できる。 我々は、StrongSORTとDeep OC-SORTに適用することで、その効果を実証する。 MOT17、MOT20、DanceTrackデータセットの実験では、オクルージョン時の特徴抽出の利点を保ちながら、実行時間を著しく削減している。 また、特にDanceTrackに共通する変形や外観類似性の場合には、特徴マッチング段階での混乱を防止して精度を向上させる。 https://github.com/emirhanbayar/Fast-StrongSORT, https://github.com/emirhanbayar/Fast-Deep-OC-SORT

関連論文リスト

• 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)
• 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)
• Multi-Object Tracking by Iteratively Associating Detections with Uniform Appearance for Trawl-Based Fishing Bycatch Monitoring [22.228127377617028]
  漁業活動における漁獲監視の目的は、映像から魚の標的をリアルタイムで検出し、追跡し、分類することである。 本稿では,既存の観測中心追跡アルゴリズムに基づく新しいMOT手法を提案する。 本手法は,海洋魚種群およびMOT17種群において,一様外観の追跡目標の性能向上と最先端技術の向上を図っている。
  論文  参考訳（メタデータ） (2023-04-10T18:55:10Z)
• Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
  本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。 ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。 MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
  論文  参考訳（メタデータ） (2023-03-15T08:38:08Z)
• SMILEtrack: SiMIlarity LEarning for Occlusion-Aware Multiple Object Tracking [20.286114226299237]
  本稿では,SLM(Siamese Network-based similarity Learning Module)を用いたオブジェクトトラッカーSMILEtrackを紹介する。 SLMは2つのオブジェクト間の外観類似性を計算し、分離検出および埋め込みモデルにおける特徴記述子の制限を克服する。 第2に、連続するビデオフレーム間の堅牢なオブジェクトマッチングのための新しいGATE関数を備えた類似マッチングカスケード(SMC)モジュールを開発する。
  論文  参考訳（メタデータ） (2022-11-16T10:49:48Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• DEFT: Detection Embeddings for Tracking [3.326320568999945]
  我々は,DEFT と呼ばれる効率的な関節検出・追跡モデルを提案する。 提案手法は,外見に基づくオブジェクトマッチングネットワークと,下層のオブジェクト検出ネットワークとの協調学習に依存している。 DEFTは2Dオンライントラッキングリーダーボードのトップメソッドに匹敵する精度とスピードを持っている。
  論文  参考訳（メタデータ） (2021-02-03T20:00:44Z)
• Segment as Points for Efficient Online Multi-Object Tracking and Segmentation [66.03023110058464]
  本稿では,コンパクトな画像表現を非秩序な2次元点クラウド表現に変換することで,セグメントに基づくインスタンス埋め込みの学習に有効な方法を提案する。 本手法は,画像ではなく,ランダムに選択された点から識別インスタンスの埋め込みを学習する,新たなトラッキング・バイ・ポイントのパラダイムを生成する。 PointTrackという名前のオンラインMOTSフレームワークは、最先端のすべてのメソッドを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-07-03T08:29:35Z)
• 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。