論文の概要: Masks and Boxes: Combining the Best of Both Worlds for Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2409.14220v2
• Date: Thu, 26 Sep 2024 08:13:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 23:37:15.902350
• Title: Masks and Boxes: Combining the Best of Both Worlds for Multi-Object Tracking
• Title（参考訳）: マスクとボックス:マルチオブジェクトトラッキングのための両世界のベストの組み合わせ
• Authors: Tomasz Stanczyk, Francois Bremond,
• Abstract要約: マルチオブジェクト追跡(MOT)は、ビデオシーケンスをまたいだオブジェクトの特定と一貫した追跡を含む。 従来のトラッキング・バイ・検出手法は、広範囲なチューニングと一般化性の欠如を必要とする。 我々は,時間的に伝播するセグメンテーションマスクを強相関キューとして組み込んだ新しいアプローチ,McByteを提案する。
• 参考スコア（独自算出の注目度）: 1.2145800134384477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-object tracking (MOT) involves identifying and consistently tracking objects across video sequences. Traditional tracking-by-detection methods, while effective, often require extensive tuning and lack generalizability. On the other hand, segmentation mask-based methods are more generic but struggle with tracking management, making them unsuitable for MOT. We propose a novel approach, McByte, which incorporates a temporally propagated segmentation mask as a strong association cue within a tracking-by-detection framework. By combining bounding box and mask information, McByte enhances robustness and generalizability without per-sequence tuning. Evaluated on four benchmark datasets - DanceTrack, MOT17, SoccerNet-tracking 2022, and KITTI-tracking - McByte demonstrates performance gain in all cases examined. At the same time, it outperforms existing mask-based methods. Implementation code will be provided upon acceptance.
• Abstract（参考訳）: マルチオブジェクト追跡(MOT)は、ビデオシーケンスをまたいだオブジェクトの特定と一貫した追跡を含む。 従来のトラッキング・バイ・検出手法は効果的であるが、広範囲なチューニングを必要とし、一般化性に欠けることが多い。 一方、セグメンテーションマスクベースの手法はより汎用的であるが、トラッキング管理に苦慮しているため、MOTには適さない。 我々は,時間的に伝播するセグメンテーションマスクを,トラッキング・バイ・ディテクト・フレームワーク内の強い関連キューとして組み込んだ新しいアプローチであるMcByteを提案する。 境界ボックスとマスク情報を組み合わせることで、McByteはシーケンス単位のチューニングなしで堅牢性と一般化性を向上させる。 DanceTrack, MOT17, SoccerNet-tracking 2022, KITTI-trackingの4つのベンチマークデータセットで評価されたMcByteは、調査対象のすべてのケースでパフォーマンス向上を示している。 同時に、既存のマスクベースの手法よりも優れています。 実装コードは受理時に提供されます。

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)
• ADA-Track: End-to-End Multi-Camera 3D Multi-Object Tracking with Alternating Detection and Association [15.161640917854363]
  多視点カメラによる3D MOTのための新しいエンドツーエンドフレームワークであるADA-Trackを紹介する。 エッジ拡張型クロスアテンションに基づく学習可能なデータアソシエーションモジュールを提案する。 我々は、この関連モジュールをDTRベースの3D検出器のデコーダ層に統合する。
  論文  参考訳（メタデータ） (2024-05-14T19:02:33Z)
• Integrating Boxes and Masks: A Multi-Object Framework for Unified Visual Tracking and Segmentation [37.85026590250023]
  本稿では,多目的マスクボックス統合フレームワークを提案する。 高精度なマルチオブジェクトボックス予測のための新しいピンポイントボックス予測器を提案する。 MITSは、Visual Object Tracking (VOT)とVideo Object Tracking (VOS)ベンチマークの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-08-25T09:37:51Z)
• Tracking Anything in High Quality [63.63653185865726]
  HQTrackは高品質なビデオ追跡のためのフレームワークだ。 ビデオマルチオブジェクトセグメンタ(VMOS)とマスクリファインダ(MR)で構成されている。
  論文  参考訳（メタデータ） (2023-07-26T06:19:46Z)
• DIVOTrack: A Novel Dataset and Baseline Method for Cross-View Multi-Object Tracking in DIVerse Open Scenes [74.64897845999677]
  歩行者が密集したDIVerse Openのシーンを対象とした,新しいクロスビュー多目的追跡データセットを提案する。 私たちのDIVOTrackには15の異なるシナリオと953のクロスビュートラックがあります。 さらに,クロスモット(CrossMOT)という統合型共同検出・クロスビュートラッキングフレームワークを用いた新しいベースラインクロスビュートラッキング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T14:10:42Z)
• End-to-end Tracking with a Multi-query Transformer [96.13468602635082]
  マルチオブジェクトトラッキング(MOT)は、時間とともにシーン内のオブジェクトの位置、外観、アイデンティティを同時に推論する必要がある課題である。 本研究の目的は、トラッキング・バイ・ディテクト・アプローチを超えて、未知のオブジェクト・クラスに対してもよく機能するクラスに依存しないトラッキングへと移行することである。
  論文  参考訳（メタデータ） (2022-10-26T10:19:37Z)
• Multi-Object Tracking and Segmentation via Neural Message Passing [0.0]
  グラフは、Multiple Object Tracking (MOT) とMultiple Object Tracking (MOTS) を定式化する自然な方法を提供する。 我々は、メッセージパッシングネットワーク(MPN)に基づく、完全に差別化可能なフレームワークを定義するために、MOTの古典的なネットワークフロー定式化を利用する。 いくつかの公開データセットにおけるトラッキングとセグメンテーションの両面での最先端の結果が得られます。
  論文  参考訳（メタデータ） (2022-07-15T13:03:47Z)
• Robust Visual Tracking by Segmentation [103.87369380021441]
  対象範囲を推定することは、視覚的物体追跡において根本的な課題となる。 高精度なセグメンテーションマスクを生成するセグメンテーション中心のトラッキングパイプラインを提案する。 我々のトラッカーは、シーンのターゲットを背景コンテンツと明確に区別するターゲット表現をよりよく学習することができる。
  論文  参考訳（メタデータ） (2022-03-21T17:59:19Z)
• Generating Masks from Boxes by Mining Spatio-Temporal Consistencies in Videos [159.02703673838639]
  フレーム毎のバウンディングボックスアノテーションからセグメンテーションマスクを生成する手法を動画で紹介します。 得られた正確なマスクを用いて、ビデオオブジェクトセグメンテーション(VOS)ネットワークの弱い教師付きトレーニングを行う。 追加データは、VOSとより困難なトラッキングドメインの両方で最先端の結果をもたらす大幅に優れた一般化パフォーマンスを提供します。
  論文  参考訳（メタデータ） (2021-01-06T18:56:24Z)
• 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)
• IA-MOT: Instance-Aware Multi-Object Tracking with Motion Consistency [40.354708148590696]
  IA-MOT(Instance-Aware MOT)は、静止カメラまたは移動カメラで複数の物体を追跡できる。 提案手法は,CVPR 2020ワークショップにおけるBMTTチャレンジのトラック3で優勝した。
  論文  参考訳（メタデータ） (2020-06-24T03:53:36Z)

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。