論文の概要: Phys-3D: Physics-Constrained Real-Time Crowd Tracking and Counting on Railway Platforms

• arxiv url: http://arxiv.org/abs/2602.23177v1
• Date: Thu, 26 Feb 2026 16:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.778662
• Title: Phys-3D: Physics-Constrained Real-Time Crowd Tracking and Counting on Railway Platforms
• Title（参考訳）: Phys-3D: 軌道上での物理制約付きリアルタイム群集追跡と計数
• Authors: Bin Zeng, Johannes Künzel, Anna Hilsmann, Peter Eisert,
• Abstract要約: 我々は、到着時にプラットフォームをスキャンしながら、列車に搭載された1台のカメラを使用することを提案する。 既存の追跡検出アプローチの多くは、静的カメラを前提とするか、モーションモデリングにおける物理的な一貫性を無視している。 本研究では,実時間パイプラインにおける検出,外観,3次元動作推論を統一する物理制約付きトラッキングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.07807123516397
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate, real-time crowd counting on railway platforms is essential for safety and capacity management. We propose to use a single camera mounted in a train, scanning the platform while arriving. While hardware constraints are simple, counting remains challenging due to dense occlusions, camera motion, and perspective distortions during train arrivals. Most existing tracking-by-detection approaches assume static cameras or ignore physical consistency in motion modeling, leading to unreliable counting under dynamic conditions. We propose a physics-constrained tracking framework that unifies detection, appearance, and 3D motion reasoning in a real-time pipeline. Our approach integrates a transfer-learned YOLOv11m detector with EfficientNet-B0 appearance encoding within DeepSORT, while introducing a physics-constrained Kalman model (Phys-3D) that enforces physically plausible 3D motion dynamics through pinhole geometry. To address counting brittleness under occlusions, we implement a virtual counting band with persistence. On our platform benchmark, MOT-RailwayPlatformCrowdHead Dataset(MOT-RPCH), our method reduces counting error to 2.97%, demonstrating robust performance despite motion and occlusions. Our results show that incorporating first-principles geometry and motion priors enables reliable crowd counting in safety-critical transportation scenarios, facilitating effective train scheduling and platform safety management.
• Abstract（参考訳）: 安全とキャパシティ管理のためには、鉄道プラットホーム上の正確なリアルタイムの群衆カウントが不可欠である。 我々は、到着時にプラットフォームをスキャンしながら、列車に搭載された1台のカメラを使用することを提案する。 ハードウェアの制約は単純だが、密閉、カメラの動き、および列車到着時の視線歪みのため、カウントは依然として困難である。 既存のトラッキング・バイ・検出アプローチの多くは、静的カメラを前提とするか、モーションモデリングにおける物理的な一貫性を無視し、動的条件下での信頼性の低いカウントに繋がる。 本研究では,実時間パイプラインにおける検出,外観,3次元動作推論を統一する物理制約付きトラッキングフレームワークを提案する。 提案手法では,移動学習型YOLOv11m検出器をDeepSORT内に効率の良いNet-B0エンコーディングと統合し,物理制約付きカルマンモデル(Phys-3D)を導入する。 閉塞下でのカウンタリングの脆さに対処するため,永続性のある仮想カウンタリングバンドを実装した。 当社のプラットフォームベンチマークであるMOT-RailwayPlatformCrowdHead Dataset(MOT-RPCH)では,動作や閉塞にもかかわらず高い性能を示すため,誤差を2.97%に削減する。 本研究は, 安全上重要な交通シナリオにおいて, ファーストプリンシプルズ・ジオメトリとモーション・プレファレンスを組み込むことにより, 効率的な列車スケジューリングとプラットフォーム安全管理が容易になることを示す。

関連論文リスト

• Beyond Frame-wise Tracking: A Trajectory-based Paradigm for Efficient Point Cloud Tracking [13.622939944601393]
  TrajTrackは、歴史的なバウンディングボックストラジェクトリだけで動きの連続性を暗黙的に学習することで、ベース2フレームトラッカーを強化する軽量フレームワークである。 新たな最先端性能を実現し、56FPSで走行しながら強力なベースライン上での追跡精度を4.48%向上させた。
  論文  参考訳（メタデータ） (2025-09-14T21:57:16Z)
• SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
  SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。 本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
  論文  参考訳（メタデータ） (2025-08-14T12:02:41Z)
• Street Gaussians without 3D Object Tracker [84.89933388445185]
  既存のほとんどの方法は、オブジェクトポーズの労働集約的な手動ラベリングに依存している。 本研究では,3次元オブジェクト融合戦略における2次元ディープトラッカーの関連性を利用して,安定なオブジェクト追跡モジュールを提案する。 我々は、軌道誤差を自律的に補正し、見逃した検出を回復する暗黙の特徴空間に、モーションラーニング戦略を導入することで、避けられないトラッキングエラーに対処する。
  論文  参考訳（メタデータ） (2024-12-07T05:49:42Z)
• An Effective Motion-Centric Paradigm for 3D Single Object Tracking in Point Clouds [50.19288542498838]
  LiDARポイントクラウド(LiDAR SOT)における3Dシングルオブジェクトトラッキングは、自動運転において重要な役割を果たす。 現在のアプローチはすべて、外観マッチングに基づくシームズパラダイムに従っている。 我々は新たな視点からLiDAR SOTを扱うための動き中心のパラダイムを導入する。
  論文  参考訳（メタデータ） (2023-03-21T17:28:44Z)
• Beyond 3D Siamese Tracking: A Motion-Centric Paradigm for 3D Single Object Tracking in Point Clouds [39.41305358466479]
  LiDARポイントクラウドにおける3Dオブジェクトトラッキングは、自動運転において重要な役割を果たす。 現在のアプローチはすべて、外観マッチングに基づくシームズパラダイムに従っている。 新しい視点から3D SOTを扱うための動き中心のパラダイムを導入する。
  論文  参考訳（メタデータ） (2022-03-03T14:20:10Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
  周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。 移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-12T15:30:02Z)
• Tracking from Patterns: Learning Corresponding Patterns in Point Clouds for 3D Object Tracking [34.40019455462043]
  本稿では,時間点雲データから3次元オブジェクト対応を学習し,対応パターンから動き情報を推測する。 提案手法は,KITTIと大規模Nuscenesデータセットの双方において,既存の3次元追跡手法を超えている。
  論文  参考訳（メタデータ） (2020-10-20T06:07:20Z)

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。