論文の概要: Learning Association via Track-Detection Matching for Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2512.22105v1
• Date: Fri, 26 Dec 2025 18:19:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:59:38.832029
• Title: Learning Association via Track-Detection Matching for Multi-Object Tracking
• Title（参考訳）: 複数物体追跡のためのトラック検出マッチングによる学習アソシエーション
• Authors: Momir Adžemović,
• Abstract要約: Track-Detection Link Prediction (TDLP)は、トラックと検出の間のリンク予測を通じてフレーム単位のアソシエーションを実行するトラッキング・バイ・ディテクト法である。 我々は,TDLPがトラッキング・バイ・デテクストとエンド・ツー・エンドの両方の手法で,最先端の性能を一貫して上回っていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Multi-object tracking aims to maintain object identities over time by associating detections across video frames. Two dominant paradigms exist in literature: tracking-by-detection methods, which are computationally efficient but rely on handcrafted association heuristics, and end-to-end approaches, which learn association from data at the cost of higher computational complexity. We propose Track-Detection Link Prediction (TDLP), a tracking-by-detection method that performs per-frame association via link prediction between tracks and detections, i.e., by predicting the correct continuation of each track at every frame. TDLP is architecturally designed primarily for geometric features such as bounding boxes, while optionally incorporating additional cues, including pose and appearance. Unlike heuristic-based methods, TDLP learns association directly from data without handcrafted rules, while remaining modular and computationally efficient compared to end-to-end trackers. Extensive experiments on multiple benchmarks demonstrate that TDLP consistently surpasses state-of-the-art performance across both tracking-by-detection and end-to-end methods. Finally, we provide a detailed analysis comparing link prediction with metric learning-based association and show that link prediction is more effective, particularly when handling heterogeneous features such as detection bounding boxes. Our code is available at \href{https://github.com/Robotmurlock/TDLP}{https://github.com/Robotmurlock/TDLP}.
• Abstract（参考訳）: マルチオブジェクトトラッキングは、ビデオフレーム間で検出を関連付けることによって、オブジェクトのアイデンティティを時間とともに維持することを目的としている。 計算効率は良く、手作りの連想ヒューリスティックに頼っているトラッキング・バイ・検出法と、より複雑な計算コストでデータから関連を学習するエンドツーエンドアプローチの2つの主要なパラダイムがある。 トラック間リンク予測(TDLP)は,トラック間のリンク予測,すなわち各フレーム毎のトラックの正しい継続を予測して,フレーム毎のアソシエーションを行う。 TDLPは、主にバウンディングボックスのような幾何学的特徴のために設計されており、オプションでポーズや外観を含む追加のキューが組み込まれている。 ヒューリスティックな手法とは異なり、TDLPは手作りのルールを使わずにデータから直接関連を学習する。 複数のベンチマークでの大規模な実験により、TDLPは、トラッキング・バイ・ディテクトとエンド・ツー・エンドの両方の手法で、最先端のパフォーマンスを一貫して上回っていることが示された。 最後に、リンク予測とメトリック学習に基づく関連性を比較し、特に検出境界ボックスなどの不均一な特徴を扱う場合、リンク予測がより効果的であることを示す。 我々のコードは \href{https://github.com/Robotmurlock/TDLP}{https://github.com/Robotmurlock/TDLP} で入手できる。

関連論文リスト

• CAMELTrack: Context-Aware Multi-cue ExpLoitation for Online Multi-Object Tracking [68.24998698508344]
  CAMELはコンテキスト対応型マルチキューExpLoitationのための新しいアソシエイトモジュールである。 エンド・ツー・エンドの検知・バイ・トラック方式とは異なり,本手法は軽量かつ高速にトレーニングが可能であり,外部のオフ・ザ・シェルフモデルを活用することができる。 提案するオンライントラッキングパイプラインであるCAMELTrackは,複数のトラッキングベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-05-02T13:26:23Z)
• Tracking by Detection and Query: An Efficient End-to-End Framework for Multi-Object Tracking [23.800994163971502]
  マルチオブジェクトトラッキング(MOT)は、トラッキング・バイ・検出(TBD)とトラッキング・バイ・クエリ(TBQ)の2つのパラダイムによって支配されている。 本稿では,両パラダイムの長所を効果的に組み合わせたTBDQ-Netを提案する。 提案手法は,MOT調整アソシエータと事前学習した高性能検出器を効率よく統合する。
  論文  参考訳（メタデータ） (2024-11-09T14:38:08Z)
• 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)
• TR-MOT: Multi-Object Tracking by Reference [42.45614650498083]
  本稿では、変形可能なトランス構造に基づくより信頼性の高いアソシエーションを提供するための新しい参照探索(RS)モジュールを提案する。 提案手法は,MOT17およびMOT20データセット上での競合結果を実現する。
  論文  参考訳（メタデータ） (2022-03-30T19:07:26Z)
• 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)
• On the detection-to-track association for online multi-object tracking [30.883165972525347]
  トラックの歴史的外観距離をインクリメンタルなガウス混合モデル(IGMM)でモデル化するハイブリッドトラックアソシエーションアルゴリズムを提案する。 3つのMOTベンチマークによる実験結果から,HTAが目標識別性能を向上し,追跡速度に多少の妥協を施すことが確認された。
  論文  参考訳（メタデータ） (2021-07-01T14:44:12Z)
• 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)

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。