論文の概要: Beyond the Survey: A Systematic Empirical Study of Detection and Association in Visual MOT

• arxiv url: http://arxiv.org/abs/2609.22291v1
• Date: Mon, 14 Sep 2026 05:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 03:38:27.364773
• Title: Beyond the Survey: A Systematic Empirical Study of Detection and Association in Visual MOT
• Title（参考訳）: サーベイを超えて:ビジュアルMOTにおける検出と関連に関する系統的研究
• Abstract要約: 本稿では,最先端多目的追跡アルゴリズムの総合的評価と詳細な解析を行う。 我々は,検出の個人的貢献を定量化し,全体の追跡性能に関連付けることに重点を置いている。 視覚多目的追跡の2つのメインブランチにまたがるコアコンポーネントを統合する統合パイプラインダイアグラムを導入する。
• 参考スコア（独自算出の注目度）: 19.944757898591764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a comprehensive experimental evaluation and detailed analysis of state-of-the-art multi-object tracking algorithms, with an emphasis on quantifying the individual contributions of detection and association components to overall tracking performance. Unlike existing surveys that primarily offer theoretical categorizations or taxonomies of tracking methods, our work adopts a rigorous experimental perspective grounded in publicly available implementations, providing practical guidance for researchers and practitioners in method selection and system design. We introduce a unified pipeline diagram that consolidates the core components across the two main branches of visual multi-object tracking: tracking-by-detection and end-to-end deep learning paradigms, and systematically analyze the object detection, feature extraction, and data association modules. Through extensive empirical studies on standard benchmarks, including MOT16, MOT17, MOT20, SportsMOT, DanceTrack, and CrowdTrack datasets, we reveal critical insights: (1) detection quality dominates association strategy performance, with detector improvements yielding more than 10% gains compared to less than 5% from refined association strategies; (2) modern deep learning detectors paired with specialized re-identification models significantly outperform joint detection and embedding approaches; and (3) transformer-based end-to-end methods exhibit greater robustness to detection quality variations but at a substantial computational cost. Our findings from extensive experiments provide key insights into component-level effects in MOT, particularly the dominant influence of detection quality relative to association, while offering practical insights for designing and optimizing MOT systems under varying performance and robustness requirements. Code and experimental setups are available at github.com/linh-gist/VisualMOT.
• Abstract（参考訳）: 本稿では,検出および関連成分の個人的寄与の定量化に重点を置いた,最先端の多対象追跡アルゴリズムの総合的評価と詳細な解析を行う。 追跡手法の理論的分類や分類を主に提供する既存の調査とは異なり、我々の研究は、公開実装に基づく厳密な実験的視点を採用し、方法の選択とシステム設計に関する研究者や実践者に実践的なガイダンスを提供する。 本稿では,視覚多目的追跡の2つの主要分野 – トラッキング・バイ・検出とエンドツーエンドのディープラーニングパラダイム – にまたがるコアコンポーネントを統合し,オブジェクト検出,特徴抽出,データ関連モジュールを体系的に解析する統合パイプライン図を提案する。 MOT16,MOT17,MOT20,MOT20,SportsMOT,DanceTrack,CrowdTrackといった標準ベンチマークに関する広範な実証研究を通じて,(1)検出品質が相関戦略のパフォーマンスを支配下に置くこと,(2)特定再同定モデルと組み合わせた最新のディープラーニング検出器は,共同検出や埋め込み手法よりも優れていること,(3)トランスフォーマーベースのエンドツーエンド手法は,検出品質のばらつきに対して大きな堅牢性を示すが,相当な計算コストがかかること,などの重要な知見が明らかになった。 広範囲な実験から得られた知見は,MOTにおけるコンポーネントレベルの影響,特に関連性に対する検出品質の影響について重要な知見を提供するとともに,様々な性能とロバスト性要件の下でMOTシステムを設計・最適化するための実用的な知見を提供する。 コードと実験的なセットアップはgithub.com/linh-gist/VisualMOTで入手できる。

関連論文リスト

• Tracking-by-detection in Multi-object Tracking: Survey and Experiments [29.860291655068625]
  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。
  論文  参考訳（メタデータ） (2026-09-08T05:11:40Z)
• A comprehensive and trustworthy benchmark of AI methods for change detection in Earth observation [6.608286365425497]
  地球観測における変化検出は、陸地表面の変化を監視するために重要である。 本稿では,変化検出のためのSOTA(State-of-the-art)ディープラーニング手法を評価するための,標準化されたオープンソースベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-08-28T12:04:39Z)
• Dynamic Reward Scaling for Multivariate Time Series Anomaly Detection: A VAE-Enhanced Reinforcement Learning Approach [1.332091725929965]
  本稿では、変分オートエンコーダ(VAE)、LSTMベースのディープQネットワーク(DQN)、動的報酬形成、これらの問題に一元化学習フレームワークで対処するためのアクティブ学習モジュールを組み合わせた深部強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T20:36:20Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Beyond Benchmarks: Understanding Mixture-of-Experts Models through Internal Mechanisms [55.1784306456972]
  Mixture-of-Experts (MoE)アーキテクチャは、推論中にパラメータのサブセットだけをアクティベートすることで、効率とスケーラビリティを提供する、有望な方向性として登場した。 内部メトリックを用いて、ルーティング機構を明示的に取り入れ、専門家レベルの振る舞いを分析することで、MoEアーキテクチャのメカニズムを解明する。 その結果,(1)モデルの発展に伴ってニューロンの利用が減少し,より高度な一般化が期待できる,(2)ベンチマークのパフォーマンスが限られた信号のみを提供するダイナミックな軌道を示す,(3)複数の専門家の協力的貢献からタスク完了が生じる,(4)ニューロンレベルでの活性化パターンがデータ多様性のきめ細かいプロキシを提供する,といった結果が得られた。
  論文  参考訳（メタデータ） (2025-09-28T15:13:38Z)
• 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)
• DeepPerception: Advancing R1-like Cognitive Visual Perception in MLLMs for Knowledge-Intensive Visual Grounding [61.26026947423187]
  人間の専門家は、ドメイン知識を活用して知覚的特徴を洗練することによって、きめ細かい視覚的識別に長けている。 現在のMLLM(Multimodal Large Language Models)は、推論を視覚的知覚に統合するのに苦労している。 本稿では,認知的視覚能力を強化したMLLMであるDeepPerceptionを提案する。
  論文  参考訳（メタデータ） (2025-03-17T04:06:34Z)
• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• Embedding in Recommender Systems: A Survey [54.55152033023537]
  本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。 マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。 パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)

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。