論文の概要: Tracking-by-detection in Multi-object Tracking: Survey and Experiments
- arxiv url: http://arxiv.org/abs/2609.08265v1
- Date: Tue, 08 Sep 2026 05:11:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 16:55:41.832299
- Title: Tracking-by-detection in Multi-object Tracking: Survey and Experiments
- Title（参考訳）: 多対象追跡におけるトラッキング・バイ・検出:調査と実験
- Abstract要約: マルチオブジェクトトラッキング(MOT)は、ビデオシーケンス内の複数のオブジェクトを同時に追跡するコンピュータビジョンタスクである。
トラッキング・バイ・検出(TBD)パラダイムは、革新的なアルゴリズムによって推進される主要なアプローチとして登場した。
本調査は, 類似度測定, データアソシエーション, 動き補償, 戦略など, TBDベースのMOT手法を体系的に検討した。
- 参考スコア（独自算出の注目度）: 29.860291655068625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-object tracking (MOT) is an essential computer vision task that simultaneously tracks multiple objects in video sequences, with various applications in surveillance, autonomous navigation, and human-computer interaction. The tracking-by-detection (TBD) paradigm, which combines object detection with temporal association, has emerged as a leading approach, driven by innovative algorithms. Despite recent progress, fair evaluation of TBD-based methods remains a challenge. Many studies introduce modules such as similarity metrics, data association strategies, or motion models, but they are often evaluated under inconsistent protocols, with different baseline trackers, hyperparameters, and datasets. Such inconsistencies obscure the genuine contribution of each module and hinder objective comparison. This survey systematically reviews TBD-based MOT techniques, including similarity measurements, data association, camera motion compensation, and interpolation strategies. Starting from a minimal baseline tracker, we fairly evaluate the contributions of each method across diverse datasets and accumulate well-balanced methods. Our findings establish a strong baseline tracker and provide a foundation for the principled design of robust and versatile MOT systems suitable for real-world deployment.
- Abstract（参考訳）: マルチオブジェクトトラッキング(MOT)は、監視、自律ナビゲーション、人間とコンピュータの相互作用など、複数のオブジェクトを同時に追跡する重要なコンピュータビジョンタスクである。
オブジェクト検出と時間的関連性を組み合わせたトラッキング・バイ・検出(TBD)パラダイムが,革新的なアルゴリズムによって先導されたアプローチとして登場した。
近年の進歩にもかかわらず、TBDに基づく手法の公正な評価は依然として課題である。
多くの研究は類似度メトリクス、データアソシエーション戦略、モーションモデルなどのモジュールを導入しているが、しばしば異なるベースライントラッカー、ハイパーパラメータ、データセットで、一貫性のないプロトコルで評価される。
このような矛盾は各モジュールの真の寄与を曖昧にし、客観的比較を妨げる。
本調査は, 類似度測定, データアソシエーション, カメラモーション補償, 補間戦略など, TBDベースのMOT手法を体系的に検討した。
最小限のベースライントラッカーから始めて、多様なデータセットにまたがる各メソッドのコントリビューションを評価し、バランスの取れたメソッドを蓄積する。
本研究は,強力なベースライントラッカーを確立し,実世界展開に適した,堅牢で汎用なMOTシステムの原理設計の基礎を提供する。
関連論文リスト
- GenTrack3: Hybrid Stochastic-Deterministic Online Multi-Object Tracking with Cluster-Aware Association [3.259045978275386]
マルチオブジェクト追跡(MOT)は、オブジェクトが動的にシーンに入り、去るときに、一貫したターゲットIDを維持する。
本稿では,不確実性下でのロバストなトラッキングを実現するために,決定論的および推論原理を統合したオンラインフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T13:16:17Z) - Deep Learning-Based Multi-Object Tracking: A Comprehensive Survey from Foundations to State-of-the-Art [0.0]
マルチオブジェクトトラッキング(MOT)は、コンピュータビジョンにおける中核的なタスクであり、フレーム内のオブジェクトを検出し、時間をかけて関連付ける。
ディープラーニングベースの手法の進歩は、2022年にByteTrackによるトラッキング・バイ・検出と、エンドツーエンドのトラッキングのためのMOTRの導入によって加速された。
論文 参考訳（メタデータ） (2025-06-16T13:15:01Z) - Optimizing Cooperative Multi-Object Tracking using Graph Signal Processing [45.68287260385148]
本稿では,3次元LiDARシーンにおける物体追跡のための協調型MOTフレームワークを提案する。
検出された境界ボックスによって定義される全連結グラフトポロジーを利用して、グラフラプラシアン処理最適化手法を用いる。
実世界のV2V4Realデータセットを用いて、広範な評価研究が行われた。
論文 参考訳（メタデータ） (2025-06-11T07:21:58Z) - CAMELTrack: Context-Aware Multi-cue ExpLoitation for Online Multi-Object Tracking [68.24998698508344]
CAMELはコンテキスト対応型マルチキューExpLoitationのための新しいアソシエイトモジュールである。
エンド・ツー・エンドの検知・バイ・トラック方式とは異なり,本手法は軽量かつ高速にトレーニングが可能であり,外部のオフ・ザ・シェルフモデルを活用することができる。
提案するオンライントラッキングパイプラインであるCAMELTrackは,複数のトラッキングベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-05-02T13:26:23Z) - You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。
多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
論文 参考訳（メタデータ） (2023-04-18T02:45:18Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳（メタデータ） (2022-11-01T20:59:38Z) - QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple
Object Tracking [73.52284039530261]
本稿では,コントラスト学習のために,画像上に数百のオブジェクト領域を密集した擬似Dense類似性学習を提案する。
得られた特徴空間は、オブジェクトアソシエーションの推論時間において、単純な近接探索を許容する。
我々の類似性学習方式は,ビデオデータに限らず,静的入力でも有効なインスタンス類似性を学ぶことができることを示す。
論文 参考訳（メタデータ） (2022-10-12T15:47:36Z) - Recent Advances in Embedding Methods for Multi-Object Tracking: A Survey [71.10448142010422]
マルチオブジェクトトラッキング(MOT)は、動画フレーム全体で対象物を関連付け、移動軌道全体を取得することを目的としている。
埋め込み法はMOTにおける物体の位置推定と時間的同一性関連において重要な役割を担っている。
まず 7 つの異なる視点からMOT への埋め込み手法の奥行き解析による包括的概要を述べる。
論文 参考訳（メタデータ） (2022-05-22T06:54:33Z) - Unified Transformer Tracker for Object Tracking [58.65901124158068]
異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。
SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
論文 参考訳（メタデータ） (2022-03-29T01:38:49Z) - Know Your Surroundings: Panoramic Multi-Object Tracking by Multimodality
Collaboration [56.01625477187448]
MMPAT(MultiModality PAnoramic Multi-object Tracking framework)を提案する。
2次元パノラマ画像と3次元点雲を入力とし、マルチモーダルデータを用いて目標軌道を推定する。
提案手法は,検出タスクと追跡タスクの両方においてMMPATが最高性能を達成するJRDBデータセット上で評価する。
論文 参考訳（メタデータ） (2021-05-31T03:16:38Z) - Learning to associate detections for real-time multiple object tracking [0.0]
本研究では, ニューラルネットワークを用いて, 検出に使用可能な類似性関数を学習する。
提案したトラッカーは最先端の手法で得られた結果と一致し、ベースラインとして使用される最近の類似手法よりも58%高速に動作している。
論文 参考訳（メタデータ） (2020-07-12T17:08:41Z)
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。