論文の概要: GTA: Global Tracklet Association for Multi-Object Tracking in Sports
- arxiv url: http://arxiv.org/abs/2411.08216v1
- Date: Tue, 12 Nov 2024 22:16:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-14 16:11:18.918354
- Title: GTA: Global Tracklet Association for Multi-Object Tracking in Sports
- Title（参考訳）: スポーツにおける多目的追跡のためのグローバルトラックレット協会(GTA)
- Authors: Jiacheng Sun, Hsiang-Wei Huang, Cheng-Yen Yang, Zhongyu Jiang, Jenq-Neng Hwang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 28.771579713224085
- License:
- Abstract: Multi-object tracking in sports scenarios has become one of the focal points in computer vision, experiencing significant advancements through the integration of deep learning techniques. Despite these breakthroughs, challenges remain, such as accurately re-identifying players upon re-entry into the scene and minimizing ID switches. In this paper, we propose an appearance-based global tracklet association algorithm designed to enhance tracking performance by splitting tracklets containing multiple identities and connecting tracklets seemingly from the same identity. This method can serve as a plug-and-play refinement tool for any multi-object tracker to further boost their performance. The proposed method achieved a new state-of-the-art performance on the SportsMOT dataset with HOTA score of 81.04%. Similarly, on the SoccerNet dataset, our method enhanced multiple trackers' performance, consistently increasing the HOTA score from 79.41% to 83.11%. These significant and consistent improvements across different trackers and datasets underscore our proposed method's potential impact on the application of sports player tracking. We open-source our project codebase at https://github.com/sjc042/gta-link.git.
- Abstract（参考訳）: 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の焦点の1つとなり、深層学習技術の統合によって大きな進歩を遂げている。
これらのブレークスルーにもかかわらず、シーンに再突入したプレイヤーを正確に識別し、IDスイッチを最小化するといった課題が残っている。
本論文では,複数の同一性を含むトラックレットを分割し,同一の同一性を持つように見えるトラックレットを接続することにより,トラックレットの追跡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。
この方法は、任意のマルチオブジェクトトラッカーのプラグ・アンド・プレイ・リファインメント・ツールとして機能し、パフォーマンスをさらに向上させる。
提案手法は,HOTAスコアが81.04%のSportsMOTデータセット上で,最先端性能を実現した。
同様に、FocoNetデータセットでは、複数のトラッカーのパフォーマンスが向上し、HOTAスコアは79.41%から83.11%へと継続的に上昇した。
異なるトラッカーとデータセットにまたがるこれらの重要な一貫した改善は、スポーツ選手追跡の適用に対する提案手法の潜在的影響を裏付けるものである。
プロジェクトのコードベースはhttps://github.com/sjc042/gta-link.git.comで公開しています。
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) - Deep HM-SORT: Enhancing Multi-Object Tracking in Sports with Deep Features, Harmonic Mean, and Expansion IOU [0.49998148477760973]
Deep HM-SORTは、新しいオンライン多目的追跡アルゴリズムである。
外観と動きのバランスを保ち、IDスワップを著しく減少させる。
2つの大規模公開ベンチマーク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） (2024-06-17T20:41:14Z) - TeamTrack: A Dataset for Multi-Sport Multi-Object Tracking in Full-pitch Videos [11.35998213546475]
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課題である。
スポーツにおけるMOTに特化したベンチマークデータセットであるTeamTrackを紹介する。
TeamTrackは、サッカー、バスケットボール、ハンドボールなど、さまざまなスポーツのフルピッチビデオデータを集めたコレクションだ。
論文 参考訳（メタデータ） (2024-04-22T04:33:40Z) - Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。
提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-11-17T08:17:49Z) - Iterative Scale-Up ExpansionIoU and Deep Features Association for
Multi-Object Tracking in Sports [26.33239898091364]
本稿では,スポーツシナリオに対するDeep ExpansionIoU (Deep-EIoU) という,オンラインかつ堅牢な多対象追跡手法を提案する。
従来の手法とは異なり、カルマンフィルタの使用を放棄し、スポーツシナリオにおける拡張IoUの反復的なスケールアップと深い特徴を活用して、ロバストなトラッキングを行う。
提案手法は,SportsMOTデータセットで77.2%,SportsNet-Trackingデータセットで85.4%を達成し,不規則な動き物体の追跡に顕著な効果を示した。
論文 参考訳（メタデータ） (2023-06-22T17:47:08Z) - Beyond SOT: Tracking Multiple Generic Objects at Once [141.36900362724975]
ジェネリックオブジェクト追跡(ジェネリックオブジェクト追跡、英: Generic Object Tracking、GOT)は、ビデオの最初のフレームでボックスをバウンディングすることによって指定されたターゲットオブジェクトを追跡する問題である。
大規模GOTベンチマークであるLaGOTを導入し,複数のアノテート対象オブジェクトをシーケンス毎に含む。
提案手法は単一オブジェクトのGOTデータセットに対して高い競合性を実現し,TrackingNet上での新たな技術状態が84.4%の成功率で設定されている。
論文 参考訳（メタデータ） (2022-12-22T17:59:19Z) - Cannot See the Forest for the Trees: Aggregating Multiple Viewpoints to
Better Classify Objects in Videos [36.28269135795851]
本稿では,トラックレットに含まれる複数の視点から情報を集約することで,トラックレットの分類精度を向上させる集合分類器を提案する。
ResNet-101上のQDTrackにメソッドをアタッチするだけで、TAOの検証とテストセットで19.9%と15.7%のTrackAP_50という新しい最先端を実現できます。
論文 参考訳（メタデータ） (2022-06-05T07:51:58Z) - Unified Transformer Tracker for Object Tracking [58.65901124158068]
異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。
SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
論文 参考訳（メタデータ） (2022-03-29T01:38:49Z) - 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) - TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。
ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。
我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
論文 参考訳（メタデータ） (2020-05-20T21:07:28Z)
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。