論文の概要: SCATR: Mitigating New Instance Suppression in LiDAR-based Tracking-by-Attention via Second Chance Assignment and Track Query Dropout

• arxiv url: http://arxiv.org/abs/2603.01485v1
• Date: Mon, 02 Mar 2026 05:50:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.703848
• Title: SCATR: Mitigating New Instance Suppression in LiDAR-based Tracking-by-Attention via Second Chance Assignment and Track Query Dropout
• Title（参考訳）: SCATR: 2回目のチャンス割り当てとトラッククエリのドロップアウトによるLiDARベースのトラッキング・バイ・アテンションにおける新しいインスタンスの抑制
• Authors: Brian Cheong, Letian Wang, Sandro Papais, Steven L. Waslander,
• Abstract要約: LiDARベースのトラッキング・バイ・アテンション(TBA)フレームワークは、高い偽陰性エラーを被る。 本稿では,この基本的な課題を体系的に解決するために設計された,新しいLiDARベースのTBAモデルであるSCATRを紹介する。
• 参考スコア（独自算出の注目度）: 15.543166750961399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR-based tracking-by-attention (TBA) frameworks inherently suffer from high false negative errors, leading to a significant performance gap compared to traditional LiDAR-based tracking-by-detection (TBD) methods. This paper introduces SCATR, a novel LiDAR-based TBA model designed to address this fundamental challenge systematically. SCATR leverages recent progress in vision-based tracking and incorporates targeted training strategies specifically adapted for LiDAR. Our work's core innovations are two architecture-agnostic training strategies for TBA methods: Second Chance Assignment and Track Query Dropout. Second Chance Assignment is a novel ground truth assignment that concatenates unassigned track queries to the proposal queries before bipartite matching, giving these track queries a second chance to be assigned to a ground truth object and effectively mitigating the conflict between detection and tracking tasks inherent in tracking-by-attention. Track Query Dropout is a training method that diversifies supervised object query configurations to efficiently train the decoder to handle different track query sets, enhancing robustness to missing or newborn tracks. Experiments on the nuScenes tracking benchmark demonstrate that SCATR achieves state-of-the-art performance among LiDAR-based TBA methods, outperforming previous works by 7.6\% AMOTA and successfully bridging the long-standing performance gap between LiDAR-based TBA and TBD methods. Ablation studies further validate the effectiveness and generalization of Second Chance Assignment and Track Query Dropout. Code can be found at the following link: \href{https://github.com/TRAILab/SCATR}{https://github.com/TRAILab/SCATR}
• Abstract（参考訳）: LiDARベースのトラッキング・バイ・アテンション(TBA)フレームワークは本質的に偽陰性なエラーに悩まされており、従来のLiDARベースのトラッキング・バイ・ディテクト(TBD)手法と比較して大きなパフォーマンス差がある。 本稿では,この基本的な課題を体系的に解決するために設計された,新しいLiDARベースのTBAモデルであるSCATRを紹介する。 SCATRはビジョンベースのトラッキングの最近の進歩を活用し、LiDARに特化されたターゲットトレーニング戦略を取り入れている。 私たちの仕事の中核となるイノベーションは、TBAメソッドのアーキテクチャに依存しない2つのトレーニング戦略です。 Second Chance Assignmentは、二分法マッチングの前に提案クエリに未割り当てのトラッククエリを結合し、これらのトラッククエリを基底真理オブジェクトに割り当てる第2のチャンスを与え、トラッキング・バイ・アテンションに固有のタスクの検出と追跡の競合を効果的に軽減する、新しい基底真理代入である。 Track Query Dropoutは、教師付きオブジェクトクエリ設定を多様化して、異なるトラッククエリセットを処理するためにデコーダを効率的にトレーニングし、行方不明または新規のトラックに対する堅牢性を向上するトレーニング方法である。 nuScenes追跡ベンチマークの実験では、SCATRはLiDARベースのTBAメソッドの最先端のパフォーマンスを達成し、以前の処理を7.6\% AMOTAで上回り、LiDARベースのTBAメソッドとTBDメソッドの長年のパフォーマンスギャップを埋めることに成功した。 アブレーション研究は、第二チャンス割り当てとトラッククエリドロップアウトの有効性と一般化をさらに検証している。 コードは以下のリンクで確認できる。 \href{https://github.com/TRAILab/SCATR}{https://github.com/TRAILab/SCATR}

関連論文リスト

• SynCL: A Synergistic Training Strategy with Instance-Aware Contrastive Learning for End-to-End Multi-Camera 3D Tracking [34.90147791481045]
  SynCLは、検出と追跡のためのマルチタスク学習を共用するために設計された、新しいプラグアンドプレイのシナジスティックトレーニング戦略である。 重み付きクロスアテンションに基づくデコーダのためのタスク固有ハイブリッドマッチングモジュールを提案する。 また、追跡クエリに対する自己中心的な注意の障壁を突破するために、インスタンス対応のContrastive Learningを導入します。
  論文  参考訳（メタデータ） (2024-11-11T08:18:49Z)
• 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)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
  この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。 このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。 LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-10-02T17:52:24Z)
• RTrack: Accelerating Convergence for Visual Object Tracking via Pseudo-Boxes Exploration [3.29854706649876]
  単一のオブジェクト追跡(SOT)は、ターゲットオブジェクトをバウンディングボックスとして表現することに大きく依存している。 本稿では,新しいオブジェクト表現ベースライントラッカーRTrackを提案する。 RTrackは自動的に点を配置して空間範囲を定義し、局所領域をハイライトする。
  論文  参考訳（メタデータ） (2023-09-23T04:41:59Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Bridging the Gap Between End-to-end and Non-End-to-end Multi-Object Tracking [27.74953961900086]
  既存のエンドツーエンドのマルチオブジェクト追跡(e2e-MOT)手法は、非エンドツーエンドのトラッキング・バイ・検出手法を超えていない。 本稿では,e2e-MOT をシャドウ概念を用いた新しいラベル割り当てにより,簡便かつ効果的な方法である Co-MOT を提案する。
  論文  参考訳（メタデータ） (2023-05-22T05:18:34Z)
• You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
  提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。 多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-18T02:45:18Z)
• Towards Sequence-Level Training for Visual Tracking [60.95799261482857]
  本研究は、強化学習に基づく視覚追跡のためのシーケンスレベルのトレーニング戦略を導入する。 4つの代表的な追跡モデル、SiamRPN++、SiamAttn、TransT、TrDiMPは、提案手法をトレーニングに取り入れることで一貫して改善されている。
  論文  参考訳（メタデータ） (2022-08-11T13:15:36Z)
• 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)
• 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)

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。