論文の概要: Training-Free Object-Agnostic Jam Detection in Fulfillment Centers
- arxiv url: http://arxiv.org/abs/2606.00321v2
- Date: Tue, 02 Jun 2026 14:56:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 18:57:50.271931
- Title: Training-Free Object-Agnostic Jam Detection in Fulfillment Centers
- Title（参考訳）: フラフィルメントセンターにおける学習不要物体非依存ジャム検出
- Authors: Ruiliang Liu, Tina Dongxu Li, Joshua Migdal, Fernando Ruch, Kenneth Meszaros, Moses Trevor Dardik,
- Abstract要約: ジャム検出アプローチは、オブジェクトを識別するためのオブジェクト検出モデルに依存し、その後、時間とともに動きを監視するアルゴリズムが続く。
このパイプラインには数千のマニュアルアノテーションが必要で、約2週間の作業が必要で、アノテーション付きオブジェクトクラスに限定されている。
本稿では,ラベル付きデータを必要としない,学習不要でオブジェクトに依存しないジャム検出手法を提案する。
- 参考スコア（独自算出の注目度）: 35.18016233072556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In fulfillment centers, diverse objects move continuously from inbound to outbound operations and can become jammed due to excessive conveyor friction, incorrect orientation, or mechanical failures. Traditional jam detection approaches rely on object detection models to identify objects, followed by tracking algorithms (such as IoU overlap and Kalman filtering) to monitor motion over time. This pipeline requires thousands of manual annotations, consuming approximately two weeks of effort, and is limited to annotated object classes. We present a training-free, object-agnostic jam detection method that eliminates the need for labeled data. Our approach uniformly samples reference points within the monitoring region when no objects are present. As objects occlude these points, we detect motion. When a sufficient fraction remains occluded beyond a temporal threshold, we classify the event as a jam. Unlike conventional point tracking--which treats occlusion as a failure case--our approach repurposes occlusion as a detection signal, monitoring whether reference points remain persistently occluded rather than tracking where they move. Our experimental evaluation on 1,069 videos demonstrates that AllTracker achieves 100.00% precision and 93.33% F1 score, significantly outperforming classical sparse tracking methods while maintaining training-free deployment. This approach offers three key advantages: (1) no training data or manual annotations, (2) object-agnostic generalization to arbitrary object types, and (3) significantly reduced development time.
- Abstract（参考訳）: フルフィルメントセンターでは、多様な物体がインバウンドからアウトバウンドまで連続的に移動し、過度のコンベヤ摩擦、不正な方向、機械的故障により妨害される。
従来のジャム検出アプローチはオブジェクトを識別するためのオブジェクト検出モデルに依存しており、続いて時間とともに動きを監視するための追跡アルゴリズム(IoUオーバーラップやカルマンフィルタなど)が続く。
このパイプラインには数千のマニュアルアノテーションが必要で、約2週間の作業が必要で、アノテーション付きオブジェクトクラスに限定されている。
本稿では,ラベル付きデータを必要としない,学習不要でオブジェクトに依存しないジャム検出手法を提案する。
本手法では, 対象物が存在しない場合, 監視領域内の参照点を均一にサンプリングする。
物体がこれらの点を遮蔽すると、動きを検出する。
十分な割合が時間しきい値を超えたままであれば、イベントをジャムとして分類する。
従来のオクルージョンを障害ケースとして扱うポイントトラッキングとは異なり、我々のアプローチではオクルージョンを検出信号として再利用する。
1,069本のビデオを実験したところ、AllTrackerは100.00%の精度と93.33%のF1スコアを達成した。
このアプローチには,(1) トレーニングデータや手動アノテーションの不要,(2) 任意のオブジェクトタイプに対するオブジェクトに依存しない一般化,(3) 開発時間を大幅に短縮する,という3つの大きな利点がある。
関連論文リスト
- SeMoLi: What Moves Together Belongs Together [51.72754014130369]
動作手がかりに基づく半教師付き物体検出に挑戦する。
近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。
我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
論文 参考訳（メタデータ） (2024-02-29T18:54:53Z) - Object-Centric Multiple Object Tracking [124.30650395969126]
本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。
オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。
オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
論文 参考訳（メタデータ） (2023-09-01T03:34:12Z) - Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR
based 3D Object Detection [50.959453059206446]
本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。
まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。
従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
論文 参考訳（メタデータ） (2023-04-24T17:59:05Z) - Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。
ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。
MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
論文 参考訳（メタデータ） (2023-03-15T08:38:08Z) - Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for
Urban Driving LiDAR [43.971680545189756]
本稿では,SCTと呼ばれる自己制御型移動物体検出手法を提案する。
これは、検出性能を改善するために、モーションキューと期待対象サイズの両方を使用する。
我々は,KITTI追跡ベンチマークにおいて,最先端の自己管理型移動物体検出法TCRを著しく上回る性能を示した。
論文 参考訳（メタデータ） (2022-09-21T16:12:46Z) - Seeing BDD100K in dark: Single-Stage Night-time Object Detection via
Continual Fourier Contrastive Learning [3.4012007729454816]
夜間物体検出は、限られた論文のうち、一様でない評価プロトコルを通して、わずかにのみ研究されている。
本稿では,これら3つのギャップを橋渡しする。
均一な評価プロトコルの欠如(その有効性と効率のため、単段検出器を使用する)。
夜間オブジェクト検出のベンチマークのためのデータセットの選択。
現在の選択肢の限界に対処する新しい方法。
論文 参考訳（メタデータ） (2021-12-06T09:28:45Z) - Learning to Track with Object Permanence [61.36492084090744]
共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。
私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
論文 参考訳（メタデータ） (2021-03-26T04:43:04Z) - Detecting Invisible People [58.49425715635312]
我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。
私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。
第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
論文 参考訳（メタデータ） (2020-12-15T16:54:45Z)
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。