論文の概要: The generator is the tracker: Multi-object tracking by painting persistent identity colours
- arxiv url: http://arxiv.org/abs/2607.17120v1
- Date: Sun, 19 Jul 2026 08:11:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.376325
- Title: The generator is the tracker: Multi-object tracking by painting persistent identity colours
- Title（参考訳）: ジェネレータはトラッカー:永続的な識別色を描くマルチオブジェクトトラッキング
- Abstract要約: RGB クリップを ID-map クリップに変換するために,22B テキスト・ビデオ拡散モデル (LTX-2.3) を軽量なインコンテキスト LoRA で微調整する。
長いビデオはチェーンウィンドウとして生成され、各ウィンドウは前のウィンドウのクリーニングテールに調整される。
短い連続的な微調整は、与えられた色付けを拡張するようモデルに教え、その後、トラッカーもモーションモデルも再識別モジュールも無くチェーンを流れる。
- 参考スコア（独自算出の注目度）: 0.3609538870261841
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-object tracking (MOT) is conventionally decomposed into detection followed by association, with object identity maintained as external state: track buffers, motion models, and appearance embeddings. We ask whether a video generator can maintain that state in pixels. We fine-tune a 22B text-to-video diffusion model (LTX-2.3) with a lightweight in-context LoRA to translate an RGB clip into an ID-map clip, a video in which every person is painted a flat, distinct color that persists over time: same color, same identity. Long videos are generated as chained windows, where each window is conditioned on the cleaned tail of the previous one. A brief continuation fine-tune teaches the model to extend a given coloring, after which identity flows through the chain with no tracker, no motion model, and no re-identification module. On the DanceTrack test server, our system, to our knowledge the first generative tracker evaluated there and the only entry with no detector and no tracking stack, reaches 40.3 HOTA. This is well below today's specialist state of the art (>=70 HOTA), but with a unique, inverted error profile: its association score (AssA 44.1) exceeds every tracker of the original benchmark suite while detection remains the sole deficit. Controlled comparisons show the mechanism matters: the same generated windows linked by classical post-hoc association score 2x worse (18.2 HOTA), and frame-to-frame IoU association fragments tracks that the generator's colors keep whole. On 383 mined occlusion events, the generator re-acquires identities after gaps at a 42% conditional rate where appearance-embedding baselines score zero, including gaps longer than its temporal context, evidence that the generator's color assignment functions as an emergent re-identification signal. We release code, checkpoints, and the full pre-registered experimental log.
- Abstract（参考訳）: マルチオブジェクト追跡(MOT)は、通常、検出後、オブジェクトのアイデンティティが外部状態として維持され、トラックバッファ、モーションモデル、外観埋め込みに分解される。
ビデオ生成装置がその状態をピクセル内で維持できるかどうかを問う。
我々は22Bテキスト・ビデオ拡散モデル(LTX-2.3)をライトウェイト・イン・コンテクストのLoRAで微調整し、RGBクリップをIDマップ・クリップに変換する。
長いビデオはチェーンウィンドウとして生成され、各ウィンドウは前のウィンドウのクリーニングテールに調整される。
短い連続的な微調整は、与えられた色付けを拡張するようモデルに教え、その後、トラッカーもモーションモデルも再識別モジュールも無くチェーンを流れる。
DanceTrackテストサーバでは,我々の知る限り,最初の生成トラッカーが評価され,検出器が無く,追跡スタックが存在しない唯一のエントリが40.3HOTAに達した。
これは今日の専門的最先端(>=70 HOTA)よりかなり低いが、ユニークな逆誤差プロファイルを持つ:アソシエーションスコア(AssA 44.1)は、検出が唯一の欠点である間に、オリジナルのベンチマークスイートのトラッカーを全て上回っている。
制御された比較は、古典的なポストホックアソシエーションスコア(18.2 HOTA)でリンクされた同じ生成されたウィンドウとフレーム間IoUアソシエーションフラグメントが、ジェネレータの色が全てを追跡していることを示す。
383オクルージョンイベントにおいて、ジェネレータは、出現埋め込みベースラインが時間的文脈よりも長いギャップを含む0の条件付きレートで、ギャップの後にアイデンティティを再取得し、ジェネレータの色割り当てが創発的再識別信号として機能することを示す。
コード、チェックポイント、および完全な登録済みの実験ログをリリースします。
関連論文リスト
- VLA-ReID: Video-Level Association for Re-Identification in Multi-Object Tracking with Highly Similar Objects [6.909117285273132]
マルチオブジェクトトラッキング(MOT)は、ビデオ内の複数のオブジェクトをローカライズし、そのアイデンティティを時間とともに保存することを目的としている。
既存のトラッカーは、単一インスタンス割り当てによって訓練された再識別(re-ID)モデルに依存している。
本稿では,ビデオレベルアソシエーションモデリングとしてre-IDを再構成するビデオレベルアソシエーション・リID(VLA-ReID)を提案する。
論文 参考訳（メタデータ） (2026-07-19T09:27:37Z) - REMIND: RE-Identification with Memory for INDoor Navigation [39.146761527401424]
モノクロRGB画像からの屋内ジェネリックオブジェクトの長期的多目的再識別のためのオンライントラッカー。
視覚的認知の証拠によって、人間は明示的な自己ローカライゼーションではなく、蓄積した外観の親しみと空間的コンテキストに依存している。
ScanNet++では、すべてのシーンで1つのエンドツーエンド検出を除いて、すべての設定で最高のIDF1を達成している。
論文 参考訳（メタデータ） (2026-07-10T10:30:50Z) - SwiTrack: Tri-State Switch for Cross-Modal Object Tracking [74.15663758681849]
クロスモーダルオブジェクトトラッキング(CMOT)は、ビデオストリームが異なるモード間で切り替える間、ターゲットの一貫性を維持する新しいタスクである。
SwiTrackは3つの特別なストリームを配置することでCMOTを再定義する新しいステートスイッチングフレームワークである。
論文 参考訳（メタデータ） (2025-11-20T10:52:54Z) - Lost and Found: Overcoming Detector Failures in Online Multi-Object Tracking [15.533652456081374]
マルチオブジェクト追跡(MOT)は、時間とともに複数のオブジェクトのアイデンティティと位置を正確に推定する。
現代の検出器は、あるフレーム内のいくつかのオブジェクトを見逃すことがあるため、トラッカーは早めに追跡をやめる。
オンラインTbDシステムと互換性のある汎用フレームワークであるBUSCAを提案する。
論文 参考訳（メタデータ） (2024-07-14T10:45:12Z) - Unified Sequence-to-Sequence Learning for Single- and Multi-Modal Visual Object Tracking [64.28025685503376]
SeqTrackは、ビジュアルトラッキングをシーケンス生成タスクとしてキャストし、オブジェクト境界ボックスを自動回帰的に予測する。
SeqTrackv2は補助モダリティのための統一インターフェースとタスクを指定するためのタスクプロンプトトークンのセットを統合している。
このシーケンス学習パラダイムは、トラッキングフレームワークを単純化するだけでなく、14の挑戦的なベンチマークで優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-04-27T17:56:29Z) - Tracking by Associating Clips [110.08925274049409]
本稿では,オブジェクト関連をクリップワイドマッチングとして扱う方法を検討する。
我々の新しい視点では、1つの長いビデオシーケンスを複数のショートクリップとみなし、そのトラックはクリップ内とクリップ間の両方で実行される。
この新しい手法の利点は2つある。まず、ビデオチャンキングによって中断フレームをバイパスできるため、エラーの蓄積や伝播の追跡に頑健である。
次に、クリップワイドマッチング中に複数のフレーム情報を集約し、現在のフレームワイドマッチングよりも高精度な長距離トラックアソシエーションを実現する。
論文 参考訳（メタデータ） (2022-12-20T10:33:17Z) - Simple Cues Lead to a Strong Multi-Object Tracker [3.7189423451031356]
マルチオブジェクト追跡のための新しいタイプのトラッキング・バイ・ディテクト(TbD)を提案する。
単純な動作モデルと外観特徴を組み合わせることで,強い追跡結果が得られることを示す。
私たちのトラッカーは、MOT17、MOT20、BDD100k、DanceTrackの4つの公開データセットに一般化され、最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2022-06-09T17:55:51Z) - DanceTrack: Multi-Object Tracking in Uniform Appearance and Diverse
Motion [56.1428110894411]
マルチヒューマントラッキングのための大規模データセットを提案する。
データセットには、主にグループダンスビデオが含まれているので、私たちはそれを"DanceTrack"と名付けます。
当社のデータセット上でいくつかの最先端トラッカーをベンチマークし、既存のベンチマークと比較した場合、DanceTrackの大幅なパフォーマンス低下を観察します。
論文 参考訳（メタデータ） (2021-11-29T16:49:06Z) - 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) - Chained-Tracker: Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。
鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
論文 参考訳（メタデータ） (2020-07-29T02:38:49Z)
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。