論文の概要: MotionSync: Non-Causal Refinement of Causal Tracker for Label-Efficient 3D Perception
- arxiv url: http://arxiv.org/abs/2608.29567v1
- Date: Sun, 30 Aug 2026 05:25:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.998822
- Title: MotionSync: Non-Causal Refinement of Causal Tracker for Label-Efficient 3D Perception
- Title（参考訳）: MotionSync: ラベル効率のよい3D知覚のための因果トラッカーの非因果リファインメント
- Abstract要約: 3次元のボックス・アンド・トラックアノテーションは、自動運転データエンジンのコストボトルネックである。
両体制を必要とするチームは2つの体制を維持し、調整する。
MotionSyncは因果/非因果境界を明示的なアーキテクチャシームにする。
- 参考スコア（独自算出の注目度）: 6.350460753267439
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Three-dimensional box-and-track annotation is the cost bottleneck in autonomous-driving data engines, and the offline systems built to relieve it replace the online perception stack outright, so a team needing both regimes maintains and reconciles two. MotionSync makes the causal/non-causal boundary an explicit architectural seam instead. A strictly causal tracker, built on a strong published baseline and extended with innovation-driven uncertainty calibration, frame-rate-invariant kinematic association gates, and multi-hypothesis motion with learned mode selection, emits a valid online result. A non-causal pass then revises the buffered trajectories with Rauch--Tung--Striebel smoothing applied separately to pose, extent and yaw, physics-validated gap completion, and semantic pruning of ghost tracks against LiDAR point labels. The refiner never writes back, so one system serves both regimes and refinement's effect is a delta over an unaltered causal estimate. Used as an auto-labeller, a fixed 3D detector trained on 25% human labels plus MotionSync pseudo-labels reaches 96.9% of its full-supervision mean average precision (mAP) on Waymo, and at a 10% budget the non-causal pass accounts for +3.3 mAP/L2 over pseudo-labels from the same tracker's causal stage. Re-fitting the online tracker on its own refined output recovers 73% of the benefit of human supervision, while its causal output is worse supervision than no re-fitting at all. As a tracker MotionSync is at parity with the leading published offline entries on the headline metric and ahead of them on error composition, which is where a refinement pass can act at all: it reduces misses and fragmentations together, the signature of gap completion rather than of a tuned detector.
- Abstract（参考訳）: 3次元のボックス・アンド・トラックアノテーションは、自動運転データエンジンのコストボトルネックであり、オンライン認識スタックをそのまま置き換えるために構築されたオフラインシステムは、両方のレシエーションを必要とするチームが2つを維持し、調整する。
MotionSyncは因果/非因果境界を明示的なアーキテクチャシームにする。
強力なベースライン上に構築され、革新駆動の不確実性校正、フレームレート不変のキネマティックアソシエーションゲート、学習モード選択によるマルチハイポテーション動作により拡張された厳密な因果トラッカーは、有効なオンライン結果を出力する。
非因果パスはバッファリングされた軌跡をRuch-Tung-Striebelスムースに分割して修正し、物理検証されたギャップ補完、ゴーストトラックのLiDAR点ラベルに対するセマンティックプルーニングを行う。
精錬機は決して書き返さないので、1つのシステムはレジームの両方に役立ち、精錬の効果は、修正されていない因果推定に対するデルタである。
オートラベラーとして使用され、25%のラベルとモーションシンクの擬似ラベルで訓練された固定された3D検出器は、Waymo上での完全な平均平均精度(mAP)の96.9%に達し、10%の予算で、同じトラッカーの因果段階の擬似ラベルよりも+3.3 mAP/L2の非因果パスが+3.3 mAP/L2である。
オンライントラッカーを精巧な出力で再適合させることは、人間の監督の利益の73%を回復させる。
トラッカーとして、MotionSyncは、ヘッドラインメトリック上の主要なオフラインエントリと同等であり、その前にエラーコンポジションがあり、そこではリファインメントパスが動作し、ミスと断片化を一緒に削減し、調整された検出器ではなくギャップ補完の署名となる。
関連論文リスト
- RRTrack: Robust and Recoverable Object 6D Pose Tracking for Dynamic Scenes [55.15267980622371]
RRTrackは効率的で復元可能なオブジェクト6Dポーズトラッカーである。
高速な動きと目標の消光によるロバストな追跡を可能にする。
実験の結果、RRTrackはADD-S ARを66.3%改善し、ADD-S AUCを65.7%改善した。
論文 参考訳（メタデータ） (2026-07-26T14:05:46Z) - QueST: Persistent Queries as Semantic Monitors for Drift Suppression in Long-Horizon Tracking [2.064813317204182]
QueSTは、インタラクション関連エンティティを永続的なセマンティッククエリとして扱う、モニタリング・バイ・デザインのフレームワークである。
ローカルなプロパゲーションの代わりに、各クエリは、各ステップ毎のグローバルなオーバータイムビデオ機能に出席する。
QueSTは67.7%の絶対点誤差(APE)を達成するための終端ドリフトを大幅に削減する
以上の結果から, セマンティックモニタリングを直接知覚に組み込むことにより, より信頼性の高い長距離追跡が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-05-10T12:48:01Z) - Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。
VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。
3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
論文 参考訳（メタデータ） (2026-04-23T09:11:50Z) - FutrTrack: A Camera-LiDAR Fusion Transformer for 3D Multiple Object Tracking [4.65812324892521]
FutrTrackは、トランスフォーマーベースのスムーズと融合駆動のトラッカーを導入することで、既存の3D検出器上に構築されている。
我々のフュージョントラッカーは、複数のカメラとLiDARからのマルチモーダルバードアイビュー(BEV)フュージョン機能とバウンディングボックスを統合している。
FutrTrackは、3D MOTベンチマークで強力なパフォーマンスを実現し、競合精度を維持しながらアイデンティティスイッチを削減している。
論文 参考訳（メタデータ） (2025-10-22T19:25:01Z) - LiDAR MOT-DETR: A LiDAR-based Two-Stage Transformer for 3D Multiple Object Tracking [4.65812324892521]
ライダーをベースとした2段式DETRインバータ,スムーズかつトラッカーを提案する。
よりスムーズなステージは、移動中の時間窓を越えて、市販の検出器からライダー物体の検出を洗練させる。
トラッカーステージはDETRベースのアテンションブロックを使用して、トラックされたオブジェクトと、ポイントクラウドをコンテキストとして洗練された検出とを関連付けることで、トラックを時間にわたって維持する。
論文 参考訳（メタデータ） (2025-05-19T06:25:48Z) - BiTrack: Bidirectional Offline 3D Multi-Object Tracking Using Camera-LiDAR Data [10.22837122483795]
BiTrackは2D-3D検出融合、初期軌道生成、双方向軌道再最適化のモジュールを含む3D OMOTフレームワークである。
KITTIデータセットを用いた実験結果から,BiTrackは3次元OMOTタスクの最先端性能を精度と効率で達成できることが示された。
論文 参考訳（メタデータ） (2024-06-26T15:09:54Z) - Uncertainty-aware Unsupervised Multi-Object Tracking [33.53331700312752]
教師なしマルチオブジェクトトラッカーは、信頼できる機能埋め込みの学習に劣る。
最近の自己監督技術は採用されているが、時間的関係を捉えられなかった。
本稿では、不確実性問題は避けられないが、不確実性自体を活用して学習された一貫性を向上させることができると論じる。
論文 参考訳（メタデータ） (2023-07-28T09:03:06Z) - ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every
Detection Box [81.45219802386444]
マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。
3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
論文 参考訳（メタデータ） (2023-03-27T15:35:21Z) - An Effective Motion-Centric Paradigm for 3D Single Object Tracking in
Point Clouds [50.19288542498838]
LiDARポイントクラウド(LiDAR SOT)における3Dシングルオブジェクトトラッキングは、自動運転において重要な役割を果たす。
現在のアプローチはすべて、外観マッチングに基づくシームズパラダイムに従っている。
我々は新たな視点からLiDAR SOTを扱うための動き中心のパラダイムを導入する。
論文 参考訳（メタデータ） (2023-03-21T17:28:44Z) - Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。
従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。
本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
論文 参考訳（メタデータ） (2021-05-22T10:17:38Z) - Cascaded Regression Tracking: Towards Online Hard Distractor
Discrimination [202.2562153608092]
本稿では,2段階の逐次回帰トラッカーを提案する。
第1段階では, 容易に同定可能な負の候補を抽出する。
第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
論文 参考訳（メタデータ） (2020-06-18T07:48:01Z)
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。