論文の概要: UniTrack: Differentiable Graph Representation Learning for Multi-Object Tracking

• arxiv url: http://arxiv.org/abs/2602.05037v1
• Date: Wed, 04 Feb 2026 20:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.610856
• Title: UniTrack: Differentiable Graph Representation Learning for Multi-Object Tracking
• Title（参考訳）: UniTrack: マルチオブジェクト追跡のための微分可能なグラフ表現学習
• Authors: Bishoy Galoaa, Xiangyu Bai, Utsav Nandi, Sai Siddhartha Vivek Dhir Rangoju, Somaieh Amraee, Sarah Ostadabbas,
• Abstract要約: UniTrackは、マルチオブジェクトトラッキング(MOT)を強化するために設計された、プラグアンドプレイグラフ理論の損失関数である。 最大で53%のIDスイッチが削減され、12%のIDF1が、挑戦的なベンチマークで改善され、SportsMOT上でのピークパフォーマンスは9.7%向上した。
• 参考スコア（独自算出の注目度）: 5.241700353040585
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present UniTrack, a plug-and-play graph-theoretic loss function designed to significantly enhance multi-object tracking (MOT) performance by directly optimizing tracking-specific objectives through unified differentiable learning. Unlike prior graph-based MOT methods that redesign tracking architectures, UniTrack provides a universal training objective that integrates detection accuracy, identity preservation, and spatiotemporal consistency into a single end-to-end trainable loss function, enabling seamless integration with existing MOT systems without architectural modifications. Through differentiable graph representation learning, UniTrack enables networks to learn holistic representations of motion continuity and identity relationships across frames. We validate UniTrack across diverse tracking models and multiple challenging benchmarks, demonstrating consistent improvements across all tested architectures and datasets including Trackformer, MOTR, FairMOT, ByteTrack, GTR, and MOTE. Extensive evaluations show up to 53\% reduction in identity switches and 12\% IDF1 improvements across challenging benchmarks, with GTR achieving peak performance gains of 9.7\% MOTA on SportsMOT.
• Abstract（参考訳）: 我々は,多目的追跡(MOT)性能を大幅に向上させるために,多目的追跡(MOT)性能を統一的な微分学習により直接最適化する,プラグアンドプレイグラフ理論損失関数UniTrackを提案する。 アーキテクチャを再設計する従来のグラフベースのMOTメソッドとは異なり、UniTrackは、検出精度、アイデンティティ保存、時空間一貫性を単一のエンドツーエンドのトレーニング可能な損失関数に統合し、アーキテクチャの変更なしに既存のMOTシステムとのシームレスな統合を可能にする、普遍的なトレーニング目標を提供する。 微分可能なグラフ表現学習を通じて、UniTrackはネットワークがフレーム間の動きの連続性とアイデンティティの関係の全体的表現を学習することを可能にする。 さまざまなトラッキングモデルと複数の挑戦的なベンチマークでUniTrackを検証し、Trackformer、MOTR、FairMOT、ByteTrack、GTR、MOTEを含むすべてのテスト済みアーキテクチャとデータセットで一貫した改善を実証した。 GTRはSportsMOTで9.7%MOTAのピーク性能向上を達成した。

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)
• FeatureSORT: Essential Features for Effective Tracking [0.0]
  FeatureSORTはオンラインのマルチオブジェクトトラッカーで、DeepSORTベースラインを補強し、再設計された検出器と追加の機能キューを備える。 修正YOLOXアーキテクチャは、衣服の色、衣服スタイル、動き方向など、複数の外観特性を出力するように拡張されている。 テストでは、MOTAはMOT16で79.7点、MOT17で80.6点、MOT20で77.9点、DanceTrackで92.2点である。
  論文  参考訳（メタデータ） (2024-07-05T04:37:39Z)
• Hierarchical IoU Tracking based on Interval [21.555469501789577]
  マルチオブジェクト追跡(MOT)は、フレーム間で与えられたクラスのすべてのターゲットを検出し、関連付けることを目的としている。 HITと呼ばれる階層型IoU追跡フレームワークを提案し、トラックレット間隔を先行として利用して階層型追跡を実現する。 提案手法は,MOT17,KITTI,DanceTrack,VisDroneの4つのデータセットに対して有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-06-19T07:03:18Z)
• Single-Model and Any-Modality for Video Object Tracking [85.83753760853142]
  任意のモダリティに対して単一のパラメータセットの統一トラッカーUn-Trackを導入する。 任意のモダリティを扱うために,低ランク因子化および再構成手法を用いて,それらの共通潜時空間を学習する。 我々のUn-Trackは、+6.6M(93M以上)のパラメータを持つ+2.14(21.50以上)のGFLOPを導入することで、DepthTrackデータセット上で、+8.1絶対Fスコアゲインを達成する。
  論文  参考訳（メタデータ） (2023-11-27T14:17:41Z)
• Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
  そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。 提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-11-17T08:17:49Z)
• SMILEtrack: SiMIlarity LEarning for Occlusion-Aware Multiple Object Tracking [20.286114226299237]
  本稿では,SLM(Siamese Network-based similarity Learning Module)を用いたオブジェクトトラッカーSMILEtrackを紹介する。 SLMは2つのオブジェクト間の外観類似性を計算し、分離検出および埋め込みモデルにおける特徴記述子の制限を克服する。 第2に、連続するビデオフレーム間の堅牢なオブジェクトマッチングのための新しいGATE関数を備えた類似マッチングカスケード(SMC)モジュールを開発する。
  論文  参考訳（メタデータ） (2022-11-16T10:49:48Z)
• Unified Transformer Tracker for Object Tracking [58.65901124158068]
  異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。 SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
  論文  参考訳（メタデータ） (2022-03-29T01:38:49Z)
• 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)

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。