論文の概要: SAVTrack: Selective Vote Aggregation for Reliability-Aware Point Cloud Tracking

• arxiv url: http://arxiv.org/abs/2609.16662v1
• Date: Tue, 15 Sep 2026 05:36:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.355742
• Title: SAVTrack: Selective Vote Aggregation for Reliability-Aware Point Cloud Tracking
• Title（参考訳）: SAVTrack: 信頼性を考慮したポイントクラウドトラッキングのための選択的な投票集約
• Abstract要約: textbfSAVTrack, textbfSelective Vote aggregate (SAV) を用いた動き認識型トラッキングフレームワークを提案する。 SAVTrackは、各候補投票の信頼性を、ローカルなシード特徴とフレーム間動作コンテキストの両方から推定し、提案クラスタリングの前に低信頼仮説を除去する。 KITTIとnuScenesでそれぞれ68.4/87.4と58.44/69.82成功/精度を達成し、82 FPSで走った。
• 参考スコア（独自算出の注目度）: 36.8933553515436
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: 3D single object tracking (SOT) in LiDAR point clouds is essential for autonomous systems, but remains challenging under sparse and incomplete observations. In such cases, different target points provide highly uneven constraints on the object center, causing some point-to-center votes to be substantially less reliable than others. Existing point-based trackers typically aggregate these hypotheses without explicitly modeling their reliability, allowing inaccurate votes to contaminate proposal clustering and degrade localization accuracy. To address this issue, we propose \textbf{SAVTrack}, a motion-aware tracking framework with \textbf{Selective Vote Aggregation (SAV)}. SAVTrack estimates the reliability of each candidate vote from both local seed features and inter-frame motion context, and removes low-confidence hypotheses before proposal clustering. This pre-aggregation gating prevents unreliable hypotheses from affecting cluster formation while introducing only modest computational overhead. SAVTrack achieves competitive performance on KITTI and nuScenes, reaching 68.4/87.4 and 58.44/69.82 Success/Precision, respectively, while running at 82 FPS. It retains fewer than one-sixth of the candidate votes used by dense aggregation and remains particularly effective under sparse target observations.
• Abstract（参考訳）: LiDAR点雲における3D単一物体追跡(SOT)は、自律システムには不可欠であるが、希少かつ不完全な観測の下では依然として困難である。 そのような場合、異なるターゲットポイントはオブジェクト中心に非常に不均一な制約を与え、いくつかのポイント・ツー・センタの投票は他のものよりもかなり信頼性が低い。 既存のポイントベースのトラッカーは、その信頼性を明示的にモデル化せずにこれらの仮説を集約し、不正確な投票によって提案クラスタリングが汚染され、ローカライゼーションの精度が低下する。 この問題に対処するため, 動き認識型トラッキングフレームワークである \textbf{SAVTrack} を提案し, SAV(Selective Vote Aggregation) を提案する。 SAVTrackは、各候補投票の信頼性を、ローカルなシード特徴とフレーム間動作コンテキストの両方から推定し、提案クラスタリングの前に低信頼仮説を除去する。 この事前集計ゲーティングは、緩やかな計算オーバーヘッドのみを導入しながら、信頼できない仮説がクラスタ形成に影響を与えるのを防ぐ。 SAVTrackはKITTIとnuScenesでそれぞれ68.4/87.4と58.44/69.82成功/精度を達成し、82 FPSで走った。 人口密集によって使用される候補者投票の6分の1以下を維持しており、特に希少な目標観測の下では有効である。

関連論文リスト

• Reliable Near-Field Multi-User Positioning Informed by Two-Stage MUSIC [52.33021019321273]
  近距離場ローカライゼーションは、将来の無線システムにおける高解像度マルチユーザ位置決めのための有望な技術である。 パラメータ推定とパス/ソースアソシエーションを分離する必要のある既存のニアフィールドローカライズ手法では,オーバヘッドと累積誤差に悩まされている。 本稿では,2段階のMUltiple SIgnal Classification (MUSIC) を用いて,Lose-of-sight (LoS) とNon-LoS (NLoS) の混在シナリオにおいてエンド・ツー・エンドな位置決め型ディープラーニング(DL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T20:03:33Z)
• Funnel of Thoughts: Efficient Test-Time Scaling via Early Voting and Rollout Pruning [18.486321422780087]
  Funnel of Thoughts (FoT) は、完全な32軌道投票精度を維持しつつ、その注意点FLOPを半減する推論時間法である。 FoTは、これらの病理パターンを捉えた語彙を同定し、プルーンは完成前に軌道に影響した。 FLOPを56.1%減らし、ウォールタイムを37.6%減らした。
  論文  参考訳（メタデータ） (2026-08-15T06:32:15Z)
• GroupEnsemble: Efficient Uncertainty Estimation for DETR-based Object Detection [10.241307426902178]
  GroupEnsembleはDTRのようなモデルに対する効率的かつ効果的な不確実性推定手法である。 我々は,都市景観とCOCOデータセットを用いて,自律運転シーンと日常の日常シーン下での手法の有効性を検証した。 その結果,MC-Dropout と GroupEnsemble を組み合わせたハイブリッドアプローチは,Deep Ensembles をコストのごく一部で実現していることがわかった。
  論文  参考訳（メタデータ） (2026-03-02T13:26:40Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
  本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。 具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。 我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
  論文  参考訳（メタデータ） (2024-03-28T08:54:40Z)
• PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features [18.32982981001087]
  我々は、PointCoreと呼ばれる、共同でローカル・グローバルな特徴に基づく、教師なしのポイントクラウド異常検出フレームワークを提案する。 具体的に言うと、PointCoreはローカル(コーディネート)とグローバル(PointMAE)表現を保存するために、単一のメモリバンクしか必要としない。 Real3D-ADデータセットの実験では、PointCoreは検出とローカライゼーションの両方において、競合する推論時間と最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-04T07:51:46Z)
• Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections [4.565826090373598]
  局所化信頼度はMOTで初めて適用され、検出ボックスの外観明快さと位置化精度が考慮される。 提案手法は, 比較した最先端追跡法より優れる。
  論文  参考訳（メタデータ） (2023-09-18T13:45:35Z)
• Reliability-Adaptive Consistency Regularization for Weakly-Supervised Point Cloud Segmentation [80.07161039753043]
  極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。 本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。 疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T10:41:57Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)
• CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point Cloud [40.871850077528485]
  我々は、CIA-SSD(Confident IoU-Aware Single-Stage Object Detector)と呼ばれる新しい単段検出器を提案する。 CIA-SSDは、境界ボックスの正確な予測と分類信頼性のために、高レベルの抽象的特徴と低レベルの空間的特徴を適応的に融合する。 公式ランキングでトップパフォーマンスを記録し、32 FPSの推論速度を上回ります。
  論文  参考訳（メタデータ） (2020-12-05T12:00:08Z)
• Location-Aware Box Reasoning for Anchor-Based Single-Shot Object Detection [19.669531374307805]
  単発物体検出器は、ボックス提案の事前選択がないため、ボックスの品質を損なう。 境界ボックスに対する位置認識型アンカーベース推論(LAAR)を提案する。 LAARは、バウンディングボックスの品質評価を考慮して、位置と分類の信頼性の両方を考慮に入れている。
  論文  参考訳（メタデータ） (2020-07-13T08:24:41Z)

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。