論文の概要: SpikingMOT: A Spike-Driven Multi-Object Tracker

• arxiv url: http://arxiv.org/abs/2607.19875v1
• Date: Wed, 22 Jul 2026 08:03:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.023748
• Title: SpikingMOT: A Spike-Driven Multi-Object Tracker
• Title（参考訳）: SpikingMOT:スパイク駆動型マルチオブジェクトトラッカー
• Authors: Yiding Sun, Xiangyang Yang, Dongxu Zhang, Qirui Wang, Zijie Xu, Wenxuan Liu, Shuiwang Li, Jihua Zhu, Zhaofei Yu, Tiejun Huang,
• Abstract要約: SpikingMOTはスパイク駆動トラッカーとして提案され、スパイクニューラルネットワーク(SNN)を用いたスパース軌道力学を適応的にモデル化する。 この脳にインスパイアされたループにより、SpikeMOTは広範な実験で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 75.7974381720717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-object tracking (MOT) plays a fundamental role in visual perception, where accurate trajectory prediction is essential for reliable target association under complex motion patterns. Recent trackers have improved motion modeling with densely activated artificial neural networks, yet they largely overlook whether such dense responses are necessary for trajectory prediction. In this paper, we formulate activation sparsity preference (ASP) by tackling two key questions: 1. How can we identify a model architecture that appropriately and formally explains ASP, and 2. How can we translate this explanation into competitive tracking performance. Theoretical analysis shows that sparse gating is no worse than state-independent dropout under the same activation rate. Based on this insight, SpikingMOT is proposed as a spike-driven tracker that adaptively models sparse trajectory dynamics with spiking neural networks (SNNs). Specifically, SpikingMOT decomposes each trajectory state into pseudo-trajectory bases and uses the current prediction error to calibrate the posterior for next-frame prediction. With this brain-inspired loop, SpikingMOT achieves state-of-the-art performance in extensive experiments, 74.9 HOTA on SportsMOT and 56.5 HOTA on DanceTrack, while reducing the parameters and energy by 72% and 86.7%, respectively. These results bring SNNs into MOT, opening a promising direction for efficient tracking.
• Abstract（参考訳）: 多目的追跡(MOT)は、複雑な動きパターンの下での信頼性の高い目標関連において、正確な軌道予測が不可欠である視覚知覚において、基本的な役割を担っている。 近年のトラッカーは、高密度に活性化された人工ニューラルネットワークによる動作モデリングを改善しているが、軌道予測にそのような高密度な応答が必要であるかどうかはほとんど見落としている。 本稿では,アクティベーション・スパシティ・プライオリティ(ASP)を2つの重要な問題に対処することで定式化する。 1. ASP.NETを適切にかつ正式に説明するモデルアーキテクチャをどうやって特定できるのか? 2. この説明を競合追跡性能に変換するには,どうすればよいのか。 理論的解析により、スパースゲーティングは、同じアクティベーションレート下での状態に依存しないドロップアウトよりも悪くはないことが示された。 この知見に基づき、スパイキングMOTはスパイク駆動トラッカーとして提案され、スパイクニューラルネットワーク(SNN)を用いてスパース軌道力学を適応的にモデル化する。 具体的には、SpkingMOTは、各軌跡状態を擬似軌跡ベースに分解し、現在の予測誤差を使用して、後部を次のフレームの予測のために校正する。 この脳にインスパイアされたループにより、SportsMOTでは74.9HOTA、DanceTrackでは56.5HOTA、それぞれパラメータとエネルギーを72%と86.7%削減した。 これらの結果は、SNNをMOTに取り込み、効率的な追跡のための有望な方向を開く。

関連論文リスト

• SpikeTrack: A Spike-driven Framework for Efficient Visual Tracking [21.128378159261008]
  エネルギー効率の高い物体追跡のためのスパイク駆動フレームワークであるSpikeTrackを紹介する。 SpikeTrackは、非対称なタイムステップ展開と一方向の情報フローを利用する、新しい非対称設計を採用している。 SpikeTrackは、RGBトラッキングを正確かつ省エネにするための最初のスパイク駆動フレームワークである。
  論文  参考訳（メタデータ） (2026-02-27T12:16:51Z)
• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで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） (2024-07-19T07:48:45Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• DiffMOT: A Real-time Diffusion-based Multiple Object Tracker with Non-linear Prediction [15.542306419065945]
  我々はDiffMOTというリアルタイム拡散に基づくMOT手法を提案し、複雑な非線形運動に対処する。 MOTトラッカーとして、DiffMOTは22.7FPSでリアルタイムであり、DanceTrackやSportsMOTのデータセットの最先端よりも優れている。
  論文  参考訳（メタデータ） (2024-03-04T14:21:51Z)
• Sliding Window Neural Generated Tracking Based on Measurement Model [0.0]
  本稿では,Kalmanフィルタが生成したトラックと,提案したニューラルネットワークが生成したトラックを最終的に比較することを目的とした,ドローンのトラック予測におけるフィードフォワードニューラルネットワークの有効性について検討する。 提案するニューラルネットワークトラッカーのユニークな特徴は、トラックの次の状態を推定するために測定モデルのみを使用していることである。
  論文  参考訳（メタデータ） (2023-06-10T12:57:57Z)
• 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)
• MSTFormer: Motion Inspired Spatial-temporal Transformer with Dynamic-aware Attention for long-term Vessel Trajectory Prediction [0.6451914896767135]
  MSTFormer は Transformer に基づく動きインスパイアされた容器軌道予測手法である。 軌道の空間的特徴と運動特徴を記述するためのデータ拡張手法を提案する。 第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。 第三に、モデルの性能をさらに向上させるために、知識にインスパイアされた損失関数を構築する。
  論文  参考訳（メタデータ） (2023-03-21T02:11:37Z)
• ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
  オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。 そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-16T06:43:11Z)

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。