論文の概要: CRTrack: Low-Light Semi-Supervised Multi-object Tracking Based on Consistency Regularization

• arxiv url: http://arxiv.org/abs/2502.16809v1
• Date: Mon, 24 Feb 2025 03:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:57:39.327063
• Title: CRTrack: Low-Light Semi-Supervised Multi-object Tracking Based on Consistency Regularization
• Title（参考訳）: CRTrack: 一貫性規則化に基づく低光半スーパービジョンマルチオブジェクト追跡
• Authors: Zijing Zhao, Jianlong Yu, Lin Zhang, Shunli Zhang,
• Abstract要約: CRTrack という一貫性正規化に基づく半教師付き多目的追跡手法を提案する。 まず、静的IoUベースの戦略を置き換えるために、一貫した適応型サンプリング割り当てを校正する。 そこで, 適応型半教師付きネットワーク更新手法を設計し, 非注釈データを効果的に活用し, モデル性能を向上させる。
• 参考スコア（独自算出の注目度）: 9.878424965835883
• License:
• Abstract: Multi-object tracking under low-light environments is prevalent in real life. Recent years have seen rapid development in the field of multi-object tracking. However, due to the lack of datasets and the high cost of annotations, multi-object tracking under low-light environments remains a persistent challenge. In this paper, we focus on multi-object tracking under low-light conditions. To address the issues of limited data and the lack of dataset, we first constructed a low-light multi-object tracking dataset (LLMOT). This dataset comprises data from MOT17 that has been enhanced for nighttime conditions as well as multiple unannotated low-light videos. Subsequently, to tackle the high annotation costs and address the issue of image quality degradation, we propose a semi-supervised multi-object tracking method based on consistency regularization named CRTrack. First, we calibrate a consistent adaptive sampling assignment to replace the static IoU-based strategy, enabling the semi-supervised tracking method to resist noisy pseudo-bounding boxes. Then, we design a adaptive semi-supervised network update method, which effectively leverages unannotated data to enhance model performance. Dataset and Code: https://github.com/ZJZhao123/CRTrack.
• Abstract（参考訳）: 低照度環境下でのマルチオブジェクトトラッキングは、実生活で一般的である。 近年は多目的追跡の分野で急速に発展している。 しかし、データセットの欠如とアノテーションの高コストのため、低照度環境下でのマルチオブジェクトトラッキングは依然として永続的な課題である。 本稿では,低照度条件下での多物体追跡に焦点をあてる。 限られたデータとデータセットの欠如に対処するため,我々はまず低照度マルチオブジェクト追跡データセット(LLMOT)を構築した。 このデータセットは、夜間に拡張されたMOT17のデータと、複数の注釈のない低照度ビデオで構成されている。 その後,高アノテーションコストに対処し,画像品質劣化問題に対処するために,CRTrackという一貫性正規化に基づく半教師付き多目的追跡手法を提案する。 まず、静的IoUベースの戦略を置き換えるために、一貫した適応的なサンプリング割り当てを校正し、半教師付き追跡法でノイズの多い擬似有界箱に抵抗できるようにする。 そこで, 適応型半教師付きネットワーク更新手法を設計し, 非注釈データを効果的に活用し, モデル性能を向上させる。 データセットとコード:https://github.com/ZJZhao123/CRTrack.com

関連論文リスト

• 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)
• Low-Light Object Tracking: A Benchmark [9.798869093713067]
  LLOTは、低照度オブジェクト追跡用に特別に設計されたベンチマークである。 LLOTは、合計132Kフレームを持つ269の挑戦的なシーケンスで構成され、それぞれにバウンディングボックスを慎重にアノテートする。 そこで我々は,H-DCPTを提案する。H-DCPT,H-DCPT,H-DCPT,H-DCPT,H-DCPT,H-DCPT,H-DCPT。
  論文  参考訳（メタデータ） (2024-08-21T09:27:57Z)
• Multi-Object Tracking in the Dark [12.463106088827924]
  低照度シーンは、現実世界の応用(例えば、夜間の自動運転と監視)で一般的である 本稿では,暗黒シーンにおける多対象追跡に着目した。 LTrackと呼ばれる低照度多物体追跡手法を提案する。
  論文  参考訳（メタデータ） (2024-05-10T17:00:04Z)
• 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)
• 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)
• 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)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)
• 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)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。