論文の概要: PiVoT: A Variational Solution for Real-time Large-scale Multi-object Detection and Tracking under Heavy Clutter

• arxiv url: http://arxiv.org/abs/2607.13891v1
• Date: Wed, 15 Jul 2026 14:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.800388
• Title: PiVoT: A Variational Solution for Real-time Large-scale Multi-object Detection and Tracking under Heavy Clutter
• Title（参考訳）: PiVoT:重度クラッタ下でのリアルタイム大規模マルチオブジェクト検出・追跡のための変分解法
• Abstract要約: PiVoTは、位置計測とドップラー計測の両方のための高速でクラッタ耐性のマルチオブジェクトトラッカーである。 PiVoTは、既存のベイズトラッカーよりもかなり優れています。 トレーニング不要のジョイント検出器とトラッカーとして、ディープラーニング検出ベンチマークに匹敵するパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 17.830516294714275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-object detection and tracking from noisy point clouds remain challenging in many data-scarce radar applications. Current Bayesian trackers based on Poisson measurement models offer a training-free solution but struggle to achieve accuracy and efficiency under severe clutter, large object populations, and full-resolution Doppler point clouds. We address this with PiVoT, a fast, clutter-resilient multi-object tracker for both positional and Doppler measurements. PiVoT performs end-to-end detection and tracking of a large and time-varying number of objects without external clustering or detectors, through joint inference of object states, shapes, existence probabilities, data association, and measurement rates. Its efficiency is driven by several variational inference innovations, such as theoretically justified birth pruning, quadratic-to-linear complexity reductions for exact updates, and a computationally efficient Doppler Poisson model. Experiments show that PiVoT substantially outperforms existing Bayesian trackers in challenging scenes, while also demonstrating exceptional scalability to a thousand objects, robustness to clutter visually inseparable from objects, and real-time operation on full-scale modern automotive radar datasets, where it attains performance comparable to a deep-learning detection benchmark as a training-free joint detector and tracker.
• Abstract（参考訳）: ノイズの多い点雲からのマルチオブジェクト検出と追跡は、多くのデータスカースレーダアプリケーションで依然として困難である。 ポアソン測定モデルに基づく現在のベイズ式トラッカーは、トレーニング不要のソリューションを提供するが、厳密な乱雑、大きな物体の集団、フル解像度ドップラー点雲の下での精度と効率を達成するのに苦労している。 位置計測とドップラー計測の両方のための高速でクラッタ耐性のマルチオブジェクトトラッカーであるPiVoTでこの問題に対処する。 PiVoTは、オブジェクト状態、形状、存在確率、データ関連性、測定率のジョイント推論を通じて、外部クラスタリングや検出器を使わずに、大規模かつ時間的に変化するオブジェクトのエンドツーエンド検出と追跡を行う。 その効率性は、理論的に正当化された出生計画、正確な更新のための2次から線形の複雑さの削減、計算効率のよいドップラー・ポアソンモデルなど、いくつかの変分推論の革新によって駆動される。 実験の結果、PiVoTは既存のベイズ式トラッカーよりもはるかに優れており、数千のオブジェクトに対して例外的なスケーラビリティを示し、オブジェクトから視覚的に分離できないような堅牢さを示し、フルスケールの近代的なレーダーデータセット上でリアルタイムに動作し、トレーニング不要のジョイント検出器とトラッカーとしてのディープラーニング検出ベンチマークに匹敵するパフォーマンスを達成した。

関連論文リスト

• Trajectory-Aware Adaptive Inference in Object Detection Models [0.19845233274307664]
  我々は,GPSトラジェクトリデータを推論プロセスに組み込むことにより,既存のオブジェクト検出フレームワークを構築した。 我々は、動きキューを組み込んだYOLOv8ベースの検出器に早期退避機構を導入する。 その結果、この戦略は予測時間と計算コストを大幅に削減しつつ、良好な検出性能を維持していることが示された。
  論文  参考訳（メタデータ） (2026-05-12T16:04:07Z)
• Learning to Track Any Points from Human Motion [55.831218129679144]
  点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。 AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:58Z)
• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• Detection Is Tracking: Point Cloud Multi-Sweep Deep Learning Models Revisited [0.0]
  自律運転では、ライダー測定は通常、ディープラーニングモデルによって実現された「仮想センサー」を介して行われる。 本稿では,このような入力には時間的情報が含まれており,仮想センサの出力には時間的情報も含むべきであると論じる。 本稿では,MULti-Sweep PAired Detector (MULSPAD)と呼ばれる深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-24T08:07:48Z)
• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
  DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。 DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
  論文  参考訳（メタデータ） (2021-09-21T10:38:26Z)
• DeepScale: An Online Frame Size Adaptation Framework to Accelerate Visual Multi-object Tracking [8.878656943106934]
  DeepScaleは、追跡スループットを高速化するモデルに依存しないフレームサイズ選択アプローチである。 フレームサイズを実行時に適応させることで、トラッキング精度と速度の適切なトレードオフを見つけることができる。 最先端のトラッカーであるDeepScale++と比較して、DeepScaleの亜種であるDeepScale++は、適度な劣化だけで1.57倍の高速化を実現している。
  論文  参考訳（メタデータ） (2021-07-22T00:12:58Z)
• Finding a Needle in a Haystack: Tiny Flying Object Detection in 4K Videos using a Joint Detection-and-Tracking Approach [19.59528430884104]
  本稿では,検出と追跡を共同で行うrecurrent correlational networkと呼ばれるニューラルネットワークモデルを提案する。 鳥や無人航空機などの小さな飛行物体の画像を含むデータセットを用いた実験では、提案手法は一貫した改善をもたらした。 我々のネットワークは、鳥の画像データセットのトラッカーとして評価されたとき、最先端の汎用オブジェクトトラッカと同様に機能します。
  論文  参考訳（メタデータ） (2021-05-18T03:22:03Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。