論文の概要: Optimizing Cooperative Multi-Object Tracking using Graph Signal Processing

• arxiv url: http://arxiv.org/abs/2506.09469v1
• Date: Wed, 11 Jun 2025 07:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.699441
• Title: Optimizing Cooperative Multi-Object Tracking using Graph Signal Processing
• Title（参考訳）: グラフ信号処理を用いた協調多目的追跡の最適化
• Authors: Maria Damanaki, Nikos Piperigkos, Alexandros Gkillas, Aris S. Lalos,
• Abstract要約: 本稿では,3次元LiDARシーンにおける物体追跡のための協調型MOTフレームワークを提案する。 検出された境界ボックスによって定義される全連結グラフトポロジーを利用して、グラフラプラシアン処理最適化手法を用いる。 実世界のV2V4Realデータセットを用いて、広範な評価研究が行われた。
• 参考スコア（独自算出の注目度）: 45.68287260385148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Object Tracking (MOT) plays a crucial role in autonomous driving systems, as it lays the foundations for advanced perception and precise path planning modules. Nonetheless, single agent based MOT lacks in sensing surroundings due to occlusions, sensors failures, etc. Hence, the integration of multiagent information is essential for comprehensive understanding of the environment. This paper proposes a novel Cooperative MOT framework for tracking objects in 3D LiDAR scene by formulating and solving a graph topology-aware optimization problem so as to fuse information coming from multiple vehicles. By exploiting a fully connected graph topology defined by the detected bounding boxes, we employ the Graph Laplacian processing optimization technique to smooth the position error of bounding boxes and effectively combine them. In that manner, we reveal and leverage inherent coherences of diverse multi-agent detections, and associate the refined bounding boxes to tracked objects at two stages, optimizing localization and tracking accuracies. An extensive evaluation study has been conducted, using the real-world V2V4Real dataset, where the proposed method significantly outperforms the baseline frameworks, including the state-of-the-art deep-learning DMSTrack and V2V4Real, in various testing sequences.
• Abstract（参考訳）: マルチオブジェクトトラッキング(MOT)は、高度な認識と正確な経路計画モジュールの基礎を築き、自律走行システムにおいて重要な役割を担っている。 それでも、単一エージェントベースのMOTは、閉塞やセンサーの故障などによる周囲の検知を欠いている。 したがって,マルチエージェント情報の統合は環境の包括的理解に不可欠である。 本稿では,複数車両からの情報を融合するために,グラフトポロジ対応最適化問題の定式化と解決により,3次元LiDARシーンにおける物体追跡のための協調MOTフレームワークを提案する。 検出された有界ボックスによって定義される全連結グラフトポロジーを利用して,グラフラプラシアン処理最適化手法を用いて,有界ボックスの位置誤差を円滑化し,有効に組み合わせる。 このようにして、多様なマルチエージェント検出の固有のコヒーレンスを明らかにして活用し、洗練された境界ボックスを2段階の追跡対象に関連付け、局所化の最適化と精度の追跡を行う。 実世界のV2V4Realデータセットを用いて,最先端のディープラーニングDMSTrackやV2V4Realなど,さまざまなテストシーケンスにおいて,提案手法がベースラインフレームワークを著しく上回る評価を行った。

関連論文リスト

• DINO-CoDT: Multi-class Collaborative Detection and Tracking with Vision Foundation Models [11.34839442803445]
  道路利用者を対象とした多クラス協調検出・追跡フレームワークを提案する。 まず,大域的空間注意融合(GSAF)モジュールを用いた検出器を提案する。 次に,視覚基盤モデルを用いた視覚的セマンティクスを活用し,IDSW(ID SWitch)エラーを効果的に低減するトラックレットRe-IDentification(REID)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-06-09T02:49:10Z)
• BiTrack: Bidirectional Offline 3D Multi-Object Tracking Using Camera-LiDAR Data [10.22837122483795]
  BiTrackは2D-3D検出融合、初期軌道生成、双方向軌道再最適化のモジュールを含む3D OMOTフレームワークである。 KITTIデータセットを用いた実験結果から,BiTrackは3次元OMOTタスクの最先端性能を精度と効率で達成できることが示された。
  論文  参考訳（メタデータ） (2024-06-26T15:09:54Z)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• InterTrack: Interaction Transformer for 3D Multi-Object Tracking [9.283656931246645]
  3Dマルチオブジェクトトラッキング(MOT)は、自動運転車にとって重要な問題である。 提案手法であるInterTrackは,データアソシエーションのための識別対象表現を生成する。 我々はnuScenes 3D MOTベンチマークのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-08-17T03:24:36Z)
• Recent Advances in Embedding Methods for Multi-Object Tracking: A Survey [71.10448142010422]
  マルチオブジェクトトラッキング(MOT)は、動画フレーム全体で対象物を関連付け、移動軌道全体を取得することを目的としている。 埋め込み法はMOTにおける物体の位置推定と時間的同一性関連において重要な役割を担っている。 まず 7 つの異なる視点からMOT への埋め込み手法の奥行き解析による包括的概要を述べる。
  論文  参考訳（メタデータ） (2022-05-22T06:54:33Z)
• Know Your Surroundings: Panoramic Multi-Object Tracking by Multimodality Collaboration [56.01625477187448]
  MMPAT(MultiModality PAnoramic Multi-object Tracking framework)を提案する。 2次元パノラマ画像と3次元点雲を入力とし、マルチモーダルデータを用いて目標軌道を推定する。 提案手法は,検出タスクと追跡タスクの両方においてMMPATが最高性能を達成するJRDBデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-05-31T03:16:38Z)

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。