論文の概要: StableTrack: Stabilizing Multi-Object Tracking on Low-Frequency Detections

• arxiv url: http://arxiv.org/abs/2511.20418v1
• Date: Tue, 25 Nov 2025 15:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.533361
• Title: StableTrack: Stabilizing Multi-Object Tracking on Low-Frequency Detections
• Title（参考訳）: StableTrack: 低周波検出によるマルチオブジェクト追跡の安定化
• Authors: Matvei Shelukhan, Timur Mamedov, Karina Kvanchiani,
• Abstract要約: 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最も困難なタスクの1つである。 現在のアプローチは主に、ビデオストリームの各フレーム内のオブジェクトを追跡することに焦点を当てている。 本稿では,低周波検出における追跡品質を安定させる新しい手法であるStableTrackを提案する。
• 参考スコア（独自算出の注目度）: 0.18054741274903915
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-object tracking (MOT) is one of the most challenging tasks in computer vision, where it is important to correctly detect objects and associate these detections across frames. Current approaches mainly focus on tracking objects in each frame of a video stream, making it almost impossible to run the model under conditions of limited computing resources. To address this issue, we propose StableTrack, a novel approach that stabilizes the quality of tracking on low-frequency detections. Our method introduces a new two-stage matching strategy to improve the cross-frame association between low-frequency detections. We propose a novel Bbox-Based Distance instead of the conventional Mahalanobis distance, which allows us to effectively match objects using the Re-ID model. Furthermore, we integrate visual tracking into the Kalman Filter and the overall tracking pipeline. Our method outperforms current state-of-the-art trackers in the case of low-frequency detections, achieving $\textit{11.6%}$ HOTA improvement at $\textit{1}$ Hz on MOT17-val, while keeping up with the best approaches on the standard MOT17, MOT20, and DanceTrack benchmarks with full-frequency detections.
• Abstract（参考訳）: 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最も困難なタスクの1つであり、オブジェクトを正しく検出し、これらの検出をフレーム間で関連付けることが重要である。 現在のアプローチでは、主にビデオストリームの各フレームにおけるオブジェクトのトラッキングに重点を置いているため、限られたコンピューティングリソースの条件下でモデルを実行することはほとんど不可能である。 この問題に対処するために、低周波検出におけるトラッキング品質を安定化させる新しいアプローチであるStableTrackを提案する。 提案手法では,低周波検出のクロスフレーム関係を改善するために,新たな2段階マッチング方式を提案する。 本稿では,従来のマハラノビス距離ではなく,新しいBboxベース距離を提案する。 さらに、視覚的トラッキングをKalmanフィルタと全体的なトラッキングパイプラインに統合する。 提案手法は,MOT17-valの標準MOT17,MOT20,DanceTrackベンチマークにおいて,標準MOT17,MOT20,DanceTrackベンチマークのベストなアプローチに追随しながら,低周波検出における現在の最先端トラッカーの性能を向上し,HOTAの改善を$\textit{1}$ Hzで達成する。

関連論文リスト

• ConsistencyTrack: A Robust Multi-Object Tracker with a Generation Strategy of Consistency Model [20.259334882471574]
  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技術であり、ビデオシーケンス内の複数のターゲットを検出し、各ターゲットにフレーム毎にユニークなIDを割り当てるように設計されている。 既存のMOTメソッドは、様々なシナリオでリアルタイムで複数のオブジェクトを正確に追跡する。 本稿では,境界ボックス上の拡散過程として検出と関連を定式化するための新しいConsistencyTrack, Joint Detection and Tracking (JDT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-28T05:53:30Z)
• 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)
• RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud [11.111388829965103]
  本稿では,3次元トラッキング・バイ・検出手法の限界,特に正当な軌跡の同定について論じる。 既存の手法では、しきい値に基づくフィルタリングを検出スコアに用いており、遠方や隠蔽対象で失敗することがある。 ゴーストトラックを著しく低減する,新しい軌道妥当性機構と多段階観測ゲーティングプロセスを提案する。
  論文  参考訳（メタデータ） (2024-05-19T12:49:21Z)
• Dense Optical Tracking: Connecting the Dots [82.79642869586587]
  DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。 OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:59:59Z)
• StrongSORT: Make DeepSORT Great Again [19.099510933467148]
  我々は、古典的なトラッカーであるDeepSORTを再検討し、検出、埋め込み、関連付けといった様々な側面からアップグレードする。 結果、StrongSORTと呼ばれるトラッカーは、MOT17とMOT20に新しいHOTAとIDF1レコードをセットする。 追跡結果をさらに改善するために,軽量かつプラグアンドプレイのアルゴリズムを2つ提案する。
  論文  参考訳（メタデータ） (2022-02-28T02:37:19Z)
• Multi-object Tracking with Tracked Object Bounding Box Association [18.539658212171062]
  CenterTrack Trackingアルゴリズムは,単純な検出モデルと単一フレーム空間オフセットを用いて,最先端のトラッキング性能を実現する。 本研究では,CenterTrackアルゴリズムに,現在のフレームに基づく単純なトラッキングオブジェクトバウンディングボックスと重複予測を組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-05-17T14:32:47Z)
• 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)
• Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
  State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。 混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-18T19:51:53Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• 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。