論文の概要: DOA-SORT: Directional Occlusion-Aware Multi-Object Tracking with Distributional Observations
- arxiv url: http://arxiv.org/abs/2609.22706v1
- Date: Sat, 19 Sep 2026 02:39:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.528479
- Title: DOA-SORT: Directional Occlusion-Aware Multi-Object Tracking with Distributional Observations
- Title（参考訳）: DOA-SORT:分布観測による指向性咬合型多物体追跡
- Abstract要約: 多対象追跡におけるアイデンティティ関連性は、部分閉塞、切り離された検出、変動する信頼スコアに弱い。
我々は,これらのバイアスを明示的にモデル化するオンラインかつトレーニング不要なトラッカーであるDirectional Occlusion-Aware SORTを提案する。
- 参考スコア（独自算出の注目度）: 3.6896352484416393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identity association in multi-object tracking (MOT) is vulnerable to partial occlusion, truncated detections, and fluctuating confidence scores. Existing motion-dominant trackers commonly represent occlusion as a scalar penalty. This treatment misses the directional observation bias caused by occlusion: left, right, top, and bottom occlusions distort the location and shape of a detection in different ways. We propose \ours{} (Directional Occlusion-Aware SORT), an online and training-free tracker that models these biases explicitly. First, it infers a soft front--back ordering from box overlap and relative bottom positions, and estimates directional occlusion coverage and depth. It then constructs a mixture of one clean and four directional occlusion observation components. The model uses a five-dimensional observation comprising box center, area, confidence, and aspect ratio, and adapts observation noise to predicted occlusion and detection confidence. The directional mixture likelihood is used in high-confidence association, low-confidence association, and track recovery; ambiguity penalties and local order-consistency swaps further reduce identity errors among nearby objects. On the DanceTrack validation split, \ours{} improves HOTA from 63.00 to 66.34, AssA from 45.10 to 49.57, and IDF1 from 62.19 to 65.28 over OA-SORT with the same detector and evaluation protocol. The gains are concentrated in association quality while detection accuracy remains stable. Additional local evaluations on MOT17 and MOT20 train splits characterize cross-dataset behavior under the same no-ReID tracking protocol.
- Abstract（参考訳）: マルチオブジェクト追跡(MOT)におけるアイデンティティ関連は、部分閉塞、切り離された検出、変動する信頼スコアに対して脆弱である。
既存の動きに支配的なトラッカーは、一般的に閉塞をスカラーペナルティとして表現する。
この治療は、左、右、上、下オクルージョンによる方向観察バイアスを見逃し、異なる方法で検出の位置と形状を歪ませる。
本稿では,これらのバイアスを明示的にモデル化するオンラインかつトレーニング不要なトラッカーである \ours{} (Directional Occlusion-Aware SORT) を提案する。
まず、ボックスオーバーラップと相対的なボトム位置からソフトなフロントバック順序を推定し、指向性閉塞範囲と深さを推定する。
そして、1つのクリーンと4つの指向性閉塞観察成分の混合物を構成する。
このモデルは、箱の中心、面積、信頼度、アスペクト比からなる5次元観察を用い、観測ノイズを閉塞および検出信頼度に適応させる。
高信頼アソシエーション、低信頼アソシエーション、トラックリカバリで、曖昧さのペナルティと局所秩序のスワップにより、近隣の物体間の同一性エラーがさらに減少する。
DanceTrackの検証分割では、 \ours{} は HOTA を 63.00 から 66.34 に改善し、AssA を 45.10 から 49.57 に、IDF1 を 62.19 から 65.28 に、同じ検出器と評価プロトコルで OA-SORT 上で改善した。
ゲインは相関品質に集中し、検出精度は安定している。
MOT17とMOT20のさらなるローカル評価は、同じno-ReID追跡プロトコルの下でのクロスデータセットの動作を特徴付ける。
関連論文リスト
- CARD: Calibration via Agreement in Reverse Diffusion for Out-of-Domain MRI Segmentation [14.844162865265673]
そこで我々は,不一致の時間的集合を全クラスにわたって1ピクセルあたりの温度場にマッピングし,セグメント化ができない間に信頼度が変化するようにCARDを提案する。
心臓、前立腺、脳のMRIシフトによって、CARDは各設定において最強のベースラインと比較した場合、49の45のキャリブレーション誤差を低下させる。
論文 参考訳（メタデータ） (2026-08-26T07:23:08Z) - LoTA-N2N: Local Trace Adaptation for Zero-Shot Self-Supervised Image Denoising [43.31076762214249]
単一イメージの自己監督型遮音装置は、使用不能なクリーンターゲットをノイズの観測から構築されたサロゲートターゲットに置き換える。
2段階ゼロショット適応フレームワークであるLoTA-N2Nを提案する。
局所的な構造は空間的キャンセルを防ぎ、上界は対応する大域的相互作用の大きさを示す。
論文 参考訳（メタデータ） (2026-07-27T08:16:15Z) - Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。
信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。
本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
論文 参考訳（メタデータ） (2026-06-23T05:28:47Z) - Occlusion-Aware SORT: Observing Occlusion for Robust Multi-Object Tracking [18.332250802099306]
マルチオブジェクトトラッキング(MOT)は、オブジェクトのトラジェクトリを分析し、ビデオシーケンス内のオブジェクト数をカウントする。
本稿では,Occlusion-Aware SORT (OA-SORT) フレームワークを提案する。
OA-SORTにはOcclusion-Aware Module (OAM)、Occlusion-Aware Offset (OAO)、Bias-Aware Momentum (BAM)が含まれる。
論文 参考訳（メタデータ） (2026-03-06T08:40:07Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。
ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文 参考訳（メタデータ） (2025-10-02T02:14:33Z) - Integrating Disparity Confidence Estimation into Relative Depth Prior-Guided Unsupervised Stereo Matching [55.784713740698365]
教師なしのステレオマッチングは、コストのかかる不均一なアノテーションから独立して、大きな注目を集めている。
実現可能な解決策は、相対深度マップからステレオマッチングネットワークへの3次元幾何学的知識の転送にある。
本研究は,これらの課題に対処する新しい教師なし学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-02T09:11:05Z) - OccluTrack: Rethinking Awareness of Occlusion for Enhancing Multiple Pedestrian Tracking [7.964206483424679]
OccluTrackは適応型オクルージョン対応の複数の歩行者トラッカーである。
カルマンフィルタにプラグアンドプレイ異常動作抑制機構を導入する。
また,部分閉塞歩行者に対する識別的特徴を抽出するために,ポーズ誘導型再識別モジュール(Re-ID)を開発した。
論文 参考訳（メタデータ） (2023-09-19T06:43:18Z) - ReDFeat: Recoupling Detection and Description for Multimodal Feature
Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。
本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。
我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文 参考訳（メタデータ） (2022-05-16T04:24:22Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z)
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。