論文の概要: An Analysis of Kalman Filter based Object Tracking Methods for Fast-Moving Tiny Objects

• arxiv url: http://arxiv.org/abs/2509.18451v1
• Date: Mon, 22 Sep 2025 22:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.600819
• Title: An Analysis of Kalman Filter based Object Tracking Methods for Fast-Moving Tiny Objects
• Title（参考訳）: 高速移動Tiny物体に対するKalmanフィルタに基づく物体追跡法の解析
• Authors: Prithvi Raj Singh, Raju Gottumukkala, Anthony Maida,
• Abstract要約: 我々は,OCSORT,DeepOCSORT,ByteTrack,BoTSORT,StrongSORTの5つの最先端カルマンフィルタに基づく追跡手法の性能評価を行った。 我々は,画像毎の推測速度と更新頻度の2つの重要な性能要因に着目した。 以上の結果から,カルマンフィルタを用いたトラッカーは3.11cmから3.11cmまでの空間誤差で大きなトラッキングドリフトを示すことがわかった。
• 参考スコア（独自算出の注目度）: 0.6818319940287242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unpredictable movement patterns and small visual mark make precise tracking of fast-moving tiny objects like a racquetball one of the challenging problems in computer vision. This challenge is particularly relevant for sport robotics applications, where lightweight and accurate tracking systems can improve robot perception and planning capabilities. While Kalman filter-based tracking methods have shown success in general object tracking scenarios, their performance degrades substantially when dealing with rapidly moving objects that exhibit irregular bouncing behavior. In this study, we evaluate the performance of five state-of-the-art Kalman filter-based tracking methods-OCSORT, DeepOCSORT, ByteTrack, BoTSORT, and StrongSORT-using a custom dataset containing 10,000 annotated racquetball frames captured at 720p-1280p resolution. We focus our analysis on two critical performance factors: inference speed and update frequency per image, examining how these parameters affect tracking accuracy and reliability for fast-moving tiny objects. Our experimental evaluation across four distinct scenarios reveals that DeepOCSORT achieves the lowest tracking error with an average ADE of 31.15 pixels compared to ByteTrack's 114.3 pixels, while ByteTrack demonstrates the fastest processing at 26.6ms average inference time versus DeepOCSORT's 26.8ms. However, our results show that all Kalman filter-based trackers exhibit significant tracking drift with spatial errors ranging from 3-11cm (ADE values: 31-114 pixels), indicating fundamental limitations in handling the unpredictable motion patterns of fast-moving tiny objects like racquetballs. Our analysis demonstrates that current tracking approaches require substantial improvements, with error rates 3-4x higher than standard object tracking benchmarks, highlighting the need for specialized methodologies for fast-moving tiny object tracking applications.
• Abstract（参考訳）: 予測不可能な動きパターンと小さな視覚マークは、ラケットボールのような素早く動く小さな物体を正確に追跡する。 この課題は、軽量で正確なトラッキングシステムがロボットの知覚と計画能力を改善するスポーツロボティクスの応用に特に関係している。 Kalmanフィルタに基づくトラッキング手法は、一般的なオブジェクト追跡のシナリオでは成功したが、不規則なバウンド動作を示す高速に動くオブジェクトを扱う場合、その性能は大幅に低下する。 本研究では,OCSORT,DeepOCSORT,ByteTrack,BoTSORT,StrongSORTの5つの最先端カルマンフィルタを用いた追跡手法の性能評価を行った。 我々は,画像毎の推測速度と更新頻度の2つの重要な性能要因に着目し,これらのパラメータが高速に動く微小物体の追跡精度と信頼性に与える影響を調べた。 実験により,DeepOCSORTはByteTrackの114.3ピクセルに対して平均値31.15ピクセルで最小のトラッキング誤差を達成し,ByteTrackは平均推定時間26.6mでDeepOCSORTの26.8msに対して最速の処理を実証した。 しかし, カルマンフィルタを用いたトラッカーは, 3-11cm (ADE値: 31-114 ピクセル) の空間誤差で大きなトラッキングドリフトを示し, ラケットボールのような高速移動小物体の予測不可能な動きパターンに対処する上での基本的限界を示した。 我々の分析は、現在の追跡手法が標準オブジェクト追跡ベンチマークの3.4倍の誤差率で大幅に改善することを示し、高速で動くオブジェクト追跡アプリケーションのための特殊な手法の必要性を強調した。

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)
• Autoregressive Queries for Adaptive Tracking with Spatio-TemporalTransformers [55.46413719810273]
  リッチ時間情報は、視覚追跡における複雑なターゲットの出現に不可欠である。 提案手法は,6つの一般的な追跡ベンチマークにおいてトラッカーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T02:39:26Z)
• 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)
• ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every Detection Box [81.45219802386444]
  マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。 3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
  論文  参考訳（メタデータ） (2023-03-27T15:35:21Z)
• CXTrack: Improving 3D Point Cloud Tracking with Contextual Information [59.55870742072618]
  3Dオブジェクトトラッキングは、自律運転など、多くのアプリケーションにおいて重要な役割を果たす。 CXTrackは3次元オブジェクト追跡のためのトランスフォーマーベースのネットワークである。 CXTrackは29FPSで動作しながら最先端のトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:29:01Z)
• VariabilityTrack:Multi-Object Tracking with Variable Speed Object Movement [1.6385815610837167]
  マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 環境フィードバックに基づく可変速度カルマンフィルタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-12T12:39:41Z)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• Tracking Objects as Points [83.9217787335878]
  同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。 トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。 CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
  論文  参考訳（メタデータ） (2020-04-02T17:58:40Z)

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。