論文の概要: CropTrack: A Tracking with Re-Identification Framework for Precision Agriculture
- arxiv url: http://arxiv.org/abs/2512.24838v1
- Date: Wed, 31 Dec 2025 12:59:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-01 23:27:28.657206
- Title: CropTrack: A Tracking with Re-Identification Framework for Precision Agriculture
- Title（参考訳）: CropTrack: 精密農業のための再同定フレームワーク
- Authors: Md Ahmed Al Muzaddid, Jordan A. James, William J. Beksi,
- Abstract要約: 外観情報と動き情報を組み合わせた新しいMOTフレームワークであるCropTrackを提案する。
CropTrackは、リグレード強化された外観アソシエーション、外観に基づくコンフリクト解決戦略と1対多のアソシエーション、そして指数関数的な移動平均プロトタイプ機能バンクを統合している。
最先端技術と比較して、CropTrackは識別F1と関連精度スコアにおいて、低いIDスイッチ数で大幅に向上した。
- 参考スコア（独自算出の注目度）: 9.23030615655698
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiple-object tracking (MOT) in agricultural environments presents major challenges due to repetitive patterns, similar object appearances, sudden illumination changes, and frequent occlusions. Contemporary trackers in this domain rely on the motion of objects rather than appearance for association. Nevertheless, they struggle to maintain object identities when targets undergo frequent and strong occlusions. The high similarity of object appearances makes integrating appearance-based association nontrivial for agricultural scenarios. To solve this problem we propose CropTrack, a novel MOT framework based on the combination of appearance and motion information. CropTrack integrates a reranking-enhanced appearance association, a one-to-many association with appearance-based conflict resolution strategy, and an exponential moving average prototype feature bank to improve appearance-based association. Evaluated on publicly available agricultural MOT datasets, CropTrack demonstrates consistent identity preservation, outperforming traditional motion-based tracking methods. Compared to the state of the art, CropTrack achieves significant gains in identification F1 and association accuracy scores with a lower number of identity switches.
- Abstract（参考訳）: 農業環境における多目的追跡(MOT)は、反復的なパターン、類似した物体の出現、突然の照明変化、頻繁な閉塞による大きな課題を呈する。
この領域の現代のトラッカーは、関連のための外観ではなく、オブジェクトの動きに依存している。
それでも、ターゲットが頻繁に強力な閉塞を受けると、オブジェクトのアイデンティティを維持するのに苦労する。
オブジェクトの外観の類似性が高いため、農業シナリオにおいて外見に基づく関連性を統合することは簡単ではない。
この問題を解決するために,外観情報と動き情報を組み合わせた新しいMOTフレームワークであるCropTrackを提案する。
CropTrackは、外観改善協会、外観ベースコンフリクト解決戦略と一対多の提携、外見ベースアソシエーションを改善するために指数関数的移動平均プロトタイプ特徴銀行を統合している。
公開されている農業用MOTデータセットに基づいて評価したCropTrackは、一貫したアイデンティティ保護を示し、従来のモーションベースのトラッキング方法よりも優れています。
最先端と比較して、CropTrackは識別F1と相関精度のスコアにおいて、低いIDスイッチ数で大幅に向上する。
関連論文リスト
- From Detection to Association: Learning Discriminative Object Embeddings for Multi-Object Tracking [24.903851740154433]
本稿では,3つの視点にまたがってオブジェクトの識別性を高める明示的な特徴フレームワークを提案する。
実験によると、SpngeBobAはDanceTrack、SportsMOT、BFTなど、複数の挑戦的なMOTベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-02T04:04:39Z) - Spatio-temporal Graph Learning on Adaptive Mined Key Frames for High-performance Multi-Object Tracking [5.746443489229576]
キーフレーム抽出(KFE)モジュールは、強化学習を利用して動画を適応的にセグメントする。
フレーム内フィーチャーフュージョン(IFF)モジュールは、ターゲットと周辺オブジェクト間の情報交換を容易にするために、グラフ畳み込みネットワーク(GCN)を使用する。
提案したトラッカーはMOT17データセット上で印象的な結果が得られる。
論文 参考訳（メタデータ） (2025-01-17T11:36:38Z) - Exploiting Multimodal Spatial-temporal Patterns for Video Object Tracking [53.33637391723555]
本研究では,STTrack というマルチモーダル空間時間追跡手法を提案する。
従来のパラダイムとは対照的に,マルチモーダル時間情報を含むトークン列を連続的に生成する時間状態生成器(TSG)を導入している。
これらの時間情報トークンは、次の時刻におけるターゲットの局所化を誘導し、ビデオフレーム間の長距離コンテキスト関係を確立し、ターゲットの時間軌道を捕捉するために使用される。
論文 参考訳（メタデータ） (2024-12-20T09:10:17Z) - SpikeMOT: Event-based Multi-Object Tracking with Sparse Motion Features [52.213656737672935]
SpikeMOTはイベントベースのマルチオブジェクトトラッカーである。
SpikeMOTはスパイクニューラルネットワークを使用して、オブジェクトに関連するイベントストリームからスパーステンポラルな特徴を抽出する。
論文 参考訳（メタデータ） (2023-09-29T05:13:43Z) - AgriSORT: A Simple Online Real-time Tracking-by-Detection framework for
robotics in precision agriculture [4.91574468325115]
AgriSORTは、精密農業のためのリアルタイム追跡検出パイプラインである。
これは、フレーム間のトラックの正確かつ高速な伝播を可能にする動き情報に基づいている。
提案したパイプラインを,農業に適したMOTベンチマークで検証した。
論文 参考訳（メタデータ） (2023-09-23T14:35:45Z) - TOPIC: A Parallel Association Paradigm for Multi-Object Tracking under Complex Motions and Diverse Scenes [16.90565715178986]
BEE24と呼ばれる新しいデータセットを導入し、複雑な動きを強調します。
並列パラダイムを提案し,それを実装するために2つのrOund Parallel MatchIng meChanism(TOPIC)を提案する。
提案手法は,4つの公開データセットとBEE24上での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） (2023-08-22T03:30:22Z) - Learning Dynamic Compact Memory Embedding for Deformable Visual Object
Tracking [82.34356879078955]
本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。
DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
論文 参考訳（メタデータ） (2021-11-23T03:07:12Z) - Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。
この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
論文 参考訳（メタデータ） (2021-04-01T10:19:40Z) - 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) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
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タスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳（メタデータ） (2020-07-30T16:39:22Z)
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。