論文の概要: HybridTrack: A Hybrid Approach for Robust Multi-Object Tracking
- arxiv url: http://arxiv.org/abs/2501.01275v1
- Date: Thu, 02 Jan 2025 14:17:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 17:12:31.141979
- Title: HybridTrack: A Hybrid Approach for Robust Multi-Object Tracking
- Title（参考訳）: HybridTrack: ロバストなマルチオブジェクトトラッキングのためのハイブリッドアプローチ
- Authors: Leandro Di Bella, Yangxintong Lyu, Bruno Cornelis, Adrian Munteanu,
- Abstract要約: HybridTrackは、車両のための新しい3Dマルチオブジェクトトラッキングアプローチである。
データ駆動型カルマンフィルタ(KF)をトラッキング・バイ・検出パラダイムに統合する。
82.08%のHOTA精度を実現し、最先端の手法を大きく上回っている。
- 参考スコア（独自算出の注目度）: 7.916733469603948
- License:
- Abstract: The evolution of Advanced Driver Assistance Systems (ADAS) has increased the need for robust and generalizable algorithms for multi-object tracking. Traditional statistical model-based tracking methods rely on predefined motion models and assumptions about system noise distributions. Although computationally efficient, they often lack adaptability to varying traffic scenarios and require extensive manual design and parameter tuning. To address these issues, we propose a novel 3D multi-object tracking approach for vehicles, HybridTrack, which integrates a data-driven Kalman Filter (KF) within a tracking-by-detection paradigm. In particular, it learns the transition residual and Kalman gain directly from data, which eliminates the need for manual motion and stochastic parameter modeling. Validated on the real-world KITTI dataset, HybridTrack achieves 82.08% HOTA accuracy, significantly outperforming state-of-the-art methods. We also evaluate our method under different configurations, achieving the fastest processing speed of 112 FPS. Consequently, HybridTrack eliminates the dependency on scene-specific designs while improving performance and maintaining real-time efficiency. The code will be publicly available at the time of publishing: https://github.com/leandro-svg/HybridTrack.git.
- Abstract（参考訳）: Advanced Driver Assistance Systems (ADAS) の進化により、多目的追跡のための堅牢で一般化可能なアルゴリズムの必要性が高まっている。
従来の統計モデルに基づく追跡手法は、予め定義された動きモデルとシステムノイズ分布に関する仮定に依存している。
計算効率は高いが、様々な交通シナリオへの適応性に欠けることが多く、広範囲な手動設計とパラメータチューニングを必要とする。
これらの問題に対処するために,データ駆動型カルマンフィルタ(KF)をトラッキング・バイ・検出パラダイムに統合したHybridTrackという,車両用3次元多対象追跡手法を提案する。
特に、遷移残差を学習し、カルマンがデータから直接取得することで、手動の動きや確率的パラメータモデリングが不要になる。
実世界のKITTIデータセットで検証されたHybridTrackは,82.08%のHOTA精度を実現している。
また,提案手法を異なる構成で評価し,高速処理速度を112 FPSとした。
その結果、HybridTrackはシーン固有の設計への依存を排除し、パフォーマンスを改善し、リアルタイムの効率性を維持する。
コードは公開時に公開される。 https://github.com/leandro-svg/HybridTrack.git。
関連論文リスト
- 3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。
本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。
このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
論文 参考訳（メタデータ） (2024-11-13T08:34:07Z) - MCTrack: A Unified 3D Multi-Object Tracking Framework for Autonomous Driving [10.399817864597347]
本稿では,KITTI, nuScenes, データセット間でのSOTA(State-of-the-art)性能を実現する3Dマルチオブジェクトトラッキング手法であるMCTrackを紹介する。
論文 参考訳（メタデータ） (2024-09-23T11:26:01Z) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - 3DMOTFormer: Graph Transformer for Online 3D Multi-Object Tracking [15.330384668966806]
最先端の3Dマルチオブジェクト追跡(MOT)アプローチは通常、Kalman Filterのような非学習モデルベースのアルゴリズムに依存している。
本稿では3DMOTFormerを提案する。この3D MOTフレームワークはトランスフォーマーアーキテクチャをベースに構築されている。
提案手法は, nuScenesバリデーションとテストスプリットでそれぞれ71.2%, AMOTA68.2%を達成している。
論文 参考訳（メタデータ） (2023-08-12T19:19:58Z) - Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo
Matching [77.133400999703]
相関に基づくステレオマッチングは優れた性能を達成した。
固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。
本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
論文 参考訳（メタデータ） (2023-07-26T09:47:37Z) - 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) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳（メタデータ） (2021-04-23T17:59:28Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z) - SDVTracker: Real-Time Multi-Sensor Association and Tracking for
Self-Driving Vehicles [11.317136648551537]
本稿では,関連性や状態推定に深層学習モデルを用いた,実用的で軽量なトラッキングシステムSDVTrackerを提案する。
本システムは,実世界の都市運転データセットにおいて,アクター100のシーンにおいて,CPU上で2.5ms未満で実行しながら,手作業による手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2020-03-09T23:07:23Z)
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。