論文の概要: UGO: Unified Architecture for General Multi-Object Tracking by Segmentation

• arxiv url: http://arxiv.org/abs/2609.37339v1
• Date: Tue, 29 Sep 2026 12:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.458248
• Title: UGO: Unified Architecture for General Multi-Object Tracking by Segmentation
• Title（参考訳）: UGO: セグメンテーションによる汎用多目的追跡のための統一アーキテクチャ
• Abstract要約: UGOは、事前訓練された模擬条件検出ヘッドと、共通アーキテクチャにおけるインスタンスプロパゲーションヘッドとをペアリングする統一GMOTトラッカーである。 新たな学習自由エネルギー最小化統合法では、重複提案を排他的画素マスクと検出に変換する。 UGOは新しい最先端のGMOTベンチマークとビデオオブジェクトカウントを設定し、専門のMOTメソッドと競合する。
• 参考スコア（独自算出の注目度）: 18.582729412306346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: General multi-object tracking (GMOT) tracks all instances of a user-specified category from a single first-frame exemplar. Prior work relies on bounding boxes and surrogate training, and struggles with non-rigid objects, crowded scenes, and distractors. We introduce UGO, a unified GMOT tracker that pairs a pretrained exemplar-conditioned detection head with an instance-propagation head in a common architecture. A novel training-free, energy-minimization consolidation method converts overlapping proposals into exclusive pixel-wise masks and detections, resolving over-segmentation, duplicates, and conflicts. A hierarchical memory spanning global and instance levels improves recall and per-instance segmentation accuracy using a new memory management protocol. UGO sets a new state-of-the-art on GMOT benchmarks and video object counting, and is competitive with specialist MOT methods, establishing a strong paradigm for unified, open-category multi-object tracking.
• Abstract（参考訳）: 汎用マルチオブジェクトトラッキング(GMOT)は、ユーザ指定カテゴリのすべてのインスタンスを、単一のファーストフレームの例から追跡する。 以前の仕事は境界ボックスと代理訓練に依存しており、厳密でない物体、混み合ったシーン、気晴らしなどと苦労している。 UGOは、事前訓練された模擬条件検出ヘッドと、共通アーキテクチャにおけるインスタンスプロパゲーションヘッドとをペアリングする統一GMOTトラッカーである。 新たな訓練のないエネルギー最小化統合手法は、重複する提案を排他的なピクセル単位のマスクと検出に変換し、過剰な分離、重複、矛盾を解消する。 グローバルレベルとインスタンスレベルにまたがる階層メモリは、新しいメモリ管理プロトコルを使用して、リコールとインスタンスごとのセグメンテーション精度を改善する。 UGOは新しい最先端のGMOTベンチマークとビデオオブジェクトカウントを設定し、専門的なMOT手法と競合し、統一されたオープンカテゴリのマルチオブジェクト追跡のための強力なパラダイムを確立している。

関連論文リスト

• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• Enhanced Kalman with Adaptive Appearance Motion SORT for Grounded Generic Multiple Object Tracking [0.08333024746293495]
  Grounded-GMOTは、ユーザーが自然言語記述子を通じてビデオ内の複数のジェネリックオブジェクトを追跡することができる革新的なトラッキングパラダイムである。 コントリビューションはG2MOTデータセットの導入から始まり、多様なジェネリックオブジェクトを特徴とするビデオのコレクションを含む。 そこで本研究では,視覚的外観を動作キューと効果的に統合するだけでなく,カルマンフィルタを改良した新しいトラッキング手法KAM-SORTを提案する。
  論文  参考訳（メタデータ） (2024-10-11T20:38:17Z)
• Multi-Object Tracking and Segmentation via Neural Message Passing [0.0]
  グラフは、Multiple Object Tracking (MOT) とMultiple Object Tracking (MOTS) を定式化する自然な方法を提供する。 我々は、メッセージパッシングネットワーク(MPN)に基づく、完全に差別化可能なフレームワークを定義するために、MOTの古典的なネットワークフロー定式化を利用する。 いくつかの公開データセットにおけるトラッキングとセグメンテーションの両面での最先端の結果が得られます。
  論文  参考訳（メタデータ） (2022-07-15T13:03:47Z)
• Tag-Based Attention Guided Bottom-Up Approach for Video Instance Segmentation [83.13610762450703]
  ビデオインスタンスは、ビデオシーケンス全体にわたるオブジェクトインスタンスのセグメンテーションと追跡を扱う、基本的なコンピュータビジョンタスクである。 そこで本研究では,従来の領域プロモーター方式ではなく,画素レベルの粒度でインスタンスマスク予測を実現するための,単純なエンドツーエンドのボトムアップ方式を提案する。 提案手法は,YouTube-VIS と DAVIS-19 のデータセット上での競合結果を提供する。
  論文  参考訳（メタデータ） (2022-04-22T15:32:46Z)
• Prototypical Cross-Attention Networks for Multiple Object Tracking and Segmentation [95.74244714914052]
  複数のオブジェクトのトラッキングとセグメンテーションには、与えられたクラスのセットに属するオブジェクトを検出し、追跡し、セグメンテーションする必要がある。 オンライン上でリッチ・テンポラル情報を活用するプロトタイプ・クロス・アテンション・ネットワーク(PCAN)を提案する。 PCANは、Youtube-VISとBDD100Kデータセットで、現在のビデオインスタンス追跡とセグメンテーションコンテストの勝者を上回っている。
  論文  参考訳（メタデータ） (2021-06-22T17:57:24Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)
• Weakly Supervised Multi-Object Tracking and Segmentation [21.7184457265122]
  本稿では,マルチオブジェクト追跡と弱教師付きトラッキングの問題について紹介する。 ジョイントの弱い監督インスタンスセグメンテーションとマルチオブジェクトトラッキング。 そこで我々は,マルチタスク学習を活用した新たなシナジートレーニング戦略を考案する。 本研究では,本タスクの代表的なベンチマークであるKITTI MOTSの手法を評価し,車と歩行者の12%と12.7%に,完全監督と弱監督のアプローチによるMOTSPメトリックのパフォーマンスギャップを小さくした。
  論文  参考訳（メタデータ） (2021-01-03T17:06:43Z)
• IA-MOT: Instance-Aware Multi-Object Tracking with Motion Consistency [40.354708148590696]
  IA-MOT(Instance-Aware MOT)は、静止カメラまたは移動カメラで複数の物体を追跡できる。 提案手法は,CVPR 2020ワークショップにおけるBMTTチャレンジのトラック3で優勝した。
  論文  参考訳（メタデータ） (2020-06-24T03:53:36Z)
• 1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
  この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。 一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。 自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
  論文  参考訳（メタデータ） (2020-03-17T06:45:07Z)
• Object-Centric Image Generation from Layouts [93.10217725729468]
  複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。 本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。 本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
  論文  参考訳（メタデータ） (2020-03-16T21:40:09Z)

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。