論文の概要: Motion-Driven Multi-Object Tracking of Model Organisms in Space Science Experiments

• arxiv url: http://arxiv.org/abs/2604.26321v1
• Date: Wed, 29 Apr 2026 06:05:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.26872
• Title: Motion-Driven Multi-Object Tracking of Model Organisms in Space Science Experiments
• Title（参考訳）: 宇宙科学実験におけるモデル生物の運動駆動多目的追跡
• Authors: Jianing You, Han Wang, Kang Liu, Jiale Ding, Fengjie Chu, Zihan Guo, Shengyang Li,
• Abstract要約: ART-Trackは微小重力条件に合わせたモーション駆動トラッキングフレームワークである。 実験結果から,ART-Trackはゼブラフィッシュおよびショウジョウバエの個体識別スイッチを著しく減少させることがわかった。
• 参考スコア（独自算出の注目度）: 13.43900643221649
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated animal behavior analysis relies on long-term, interpretable individual trajectories; however, multi-animal tracking in space science experimental videos remains highly challenging due to weak appearance cues, low-quality imaging, complex maneuvering behaviors, and frequent interactions. To address this problem, we first construct the SpaceAnimal-MOT dataset to characterize the motion complexity and long-term identity preservation challenges in biological videos acquired under microgravity conditions. We then propose ART-Track (Adaptive Robust Tracking), a motion-driven tracking framework tailored to this setting. Specifically, multi-model motion estimation is introduced to handle abrupt maneuvers and nonlinear motion, motion-state-driven association is designed to reduce identity switches under dense interactions and temporary mismatch, and uncertainty-adaptive fusion is used to dynamically balance spatial and motion cues when prediction reliability varies. Experimental results show that ART-Track significantly reduces identity switches on zebrafish and fruitfly sequences, while maintaining more stable association under occlusion, deformation, and high-density interactions, thereby providing a more reliable tracking foundation for downstream quantitative behavior analysis. The code is publicly available at https://github.com/yyy7777777/ART_TRACK/tree/main.
• Abstract（参考訳）: 動物行動の自動解析は、長期的、解釈可能な個々の軌道に依存しているが、宇宙科学の実験ビデオにおけるマルチアニマル追跡は、外見の弱さ、低画質の画像、複雑な操作行動、頻繁な相互作用のために非常に困難である。 この問題に対処するために,我々はまず,微小重力下で取得した生体ビデオの動作複雑性と長期的アイデンティティ保存課題を特徴付けるために,SpaceAnimal-MOTデータセットを構築した。 ART-Track(Adaptive Robust Tracking)を提案する。 具体的には、急激な操作や非線形動作を扱うために多モデル運動推定を導入し、密接な相互作用や一時的なミスマッチの下でのアイデンティティスイッチを減らすために運動状態駆動型アソシエーションを設計し、予測信頼性が変化するときに空間的および運動キューの動的バランスをとるために不確実性適応融合を用いる。 実験結果から,ART-Trackはゼブラフィッシュおよびショウジョウバエの配列の同一性スイッチを著しく低減するとともに,咬合・変形・高密度相互作用下でのより安定した関連性を維持し,下流の定量的行動解析のためのより信頼性の高い追跡基盤を提供することが示された。 コードはhttps://github.com/yyy7777777/ART_TRACK/tree/mainで公開されている。

関連論文リスト

• Hypergraph-State Collaborative Reasoning for Multi-Object Tracking [63.32950991964095]
  複数の相関オブジェクト間の共同推論による動き推定を向上する協調推論フレームワークを提案する。 類似の運動状態を持つ物体同士を互いに拘束し、互いに洗練させることで、我々のフレームワークはノイズの軌道を安定させ、目標を遮蔽しても可塑性運動の連続性を推測する。
  論文  参考訳（メタデータ） (2026-04-14T12:37:39Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• DMTrack: Deformable State-Space Modeling for UAV Multi-Object Tracking with Kalman Fusion and Uncertainty-Aware Association [18.68212724411998]
  無人航空機(UAV)からの多目的追跡(MOT)は、予測不可能な物体の動きによる固有の課題を提示する。 UAVベースのMOTに適した変形可能なモーショントラッキングフレームワークであるDMTrackを提案する。 本手法は, 外観モデルなしで動作し, 競争効率を保ち, 堅牢なUAVトラッキングの実現性を強調した。
  論文  参考訳（メタデータ） (2025-10-15T13:54:25Z)
• Delving into Dynamic Scene Cue-Consistency for Robust 3D Multi-Object Tracking [16.366398265001422]
  3D多目的追跡は、自動運転分野において重要かつ困難な課題である。 本稿では,この原理を実現するために動的シーンCue-Consistency Tracker(DSC-Track)を提案する。
  論文  参考訳（メタデータ） (2025-08-15T08:48:13Z)
• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)
• MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
  本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。 実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-06-05T04:24:11Z)
• MotionTrack: Learning Robust Short-term and Long-term Motions for Multi-Object Tracking [56.92165669843006]
  本研究では,短時間から長期間の軌跡を関連づける統合フレームワークで,堅牢な短期・長期動作を学習するMotionTrackを提案する。 密集した群集に対して,各ターゲットの複雑な動きを推定できる,短時間の軌跡から相互作用認識動作を学習するための新しい対話モジュールを設計する。 極端なオクルージョンのために、ターゲットの履歴軌跡から信頼できる長期動作を学習するための新しいRefind Moduleを構築し、中断された軌跡とそれに対応する検出とを関連付けることができる。
  論文  参考訳（メタデータ） (2023-03-18T12:38:33Z)
• MAT: Motion-Aware Multi-Object Tracking [9.098793914779161]
  本稿では,様々な物体の動作パターンに着目した動き認識トラッキング(MAT)を提案する。 MOT16とMOT17の挑戦的なベンチマークの実験は、我々のMATアプローチが大きなマージンで優れたパフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2020-09-10T11:51:33Z)

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。