論文の概要: ByteTraX: Enhancing the ByteTrack Architecture with Optimised Thresholding

• arxiv url: http://arxiv.org/abs/2609.37801v2
• Date: Thu, 01 Oct 2026 17:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.528199
• Title: ByteTraX: Enhancing the ByteTrack Architecture with Optimised Thresholding
• Title（参考訳）: ByteTraX: 最適化されたThresholdingによるByteTrackアーキテクチャの強化
• Abstract要約: ByteTrackは広く使われ、計算的に効率的なマルチオブジェクト追跡アーキテクチャである。 ByteTrackアーキテクチャーはByteTraXと呼ばれ、単一の統一マッチングしきい値によってトラックの連続性を最適化する。 その結果、アイデンティティスイッチの40%が減少し、HOTAの3.6、IDF1の5.6、FPSの6.3が平均的に増加した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The ByteTrack algorithm is a widely used and computationally efficient multi-object tracking architecture. Its core innovation lies in the combination of lenient bounding box associations with tracklet similarity matching to robustly deal with object occlusions. However, this strategy is nevertheless vulnerable to erroneous track reclassification and identity switching, as detection confidence scores dictate association priority. To address this, I present a simple enhancement of the ByteTrack architecture--named ByteTraX--that optimises track continuity via a single unified matching threshold, while penalising identity switches through stringent track initiation criteria. This approach achieves consistently improved performance across a range of diverse benchmarks including GMOT-40, LC-MOT, SportsMOT, TeamTrack, DAMUNT, and DeepSea-MOT, while simultaneously increasing processing speed by >10%. Specifically, results demonstrate a >40% reduction in identity switches, accompanied by mean increases in HOTA of 3.6, IDF1 of 5.6, and FPS of 6.3. As such, adoption of the ByteTraX algorithm has the potential to substantially enhance tracking performance over the ByteTrack baseline, while retaining the efficiency needed for real-time deployment. To facilitate usage, I provide the source code, integration functionality for the YOLO family of object detection models, and deployment instructions via an open source repository.
• Abstract（参考訳）: ByteTrackアルゴリズムは、広く使われ、計算的に効率的なマルチオブジェクト追跡アーキテクチャである。 その中核的な革新は、厳密な有界ボックスアソシエーションとトラックレット類似性の組み合わせによって、物体の閉塞に頑健に対処することにある。 しかし、検出信頼度スコアが関連優先度を規定するので、この戦略は誤トラック再分類や同一性の変更に対して脆弱である。 そこで本稿では,ByteTrackアーキテクチャを改良したByteTraXを提案する。これは単一統一マッチングしきい値によるトラック連続性を最適化すると同時に,制約付きトラック開始基準によるアイデンティティスイッチのペナライズを行う。 このアプローチはGMOT-40、LC-MOT、SportsMOT、TeamTrack、DAMUNT、DeepSea-MOTなど様々なベンチマークで一貫してパフォーマンスを改善し、同時に処理速度を10%向上させる。 具体的には、アイデンティティスイッチが40%以上減少し、HOTAの3.6、IDF1の5.6、FPSの6.3が平均的に増加した。 そのため、ByteTraXアルゴリズムの採用は、リアルタイムデプロイメントに必要な効率を維持しながら、ByteTrackベースライン上でのトラッキング性能を大幅に向上する可能性がある。 使用を容易にするため、オープンソースリポジトリを通じて、ソースコード、オブジェクト検出モデルのYOLOファミリの統合機能、デプロイメント指示を提供する。

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)
• 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)
• UTPTrack: Towards Simple and Unified Token Pruning for Visual Tracking [23.83535022949326]
  ワンストリームトランスフォーマーベースのトラッカーは、視覚的物体追跡において高度な性能を達成するが、計算上のオーバーヘッドに悩まされる。 UTPTrackは、シンプルで統一されたToken Pruningフレームワークで、初めて3つのコンポーネント全てを共同で圧縮する。 10ベンチマークの大規模な評価は、UTPTrackがプルーニングベースのトラッカーの精度と効率のトレードオフにおいて、新たな最先端を実現していることを示している。
  論文  参考訳（メタデータ） (2026-02-27T06:58:09Z)
• SwiTrack: Tri-State Switch for Cross-Modal Object Tracking [74.15663758681849]
  クロスモーダルオブジェクトトラッキング(CMOT)は、ビデオストリームが異なるモード間で切り替える間、ターゲットの一貫性を維持する新しいタスクである。 SwiTrackは3つの特別なストリームを配置することでCMOTを再定義する新しいステートスイッチングフレームワークである。
  論文  参考訳（メタデータ） (2025-11-20T10:52:54Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Adaptive Confidence Threshold for ByteTrack in Multi-Object Tracking [9.156625199253947]
  ByteTrackは単純なトラッキングアルゴリズムであり、複数のオブジェクトの同時トラッキングを可能にする。 本稿では,高信頼度検出と低信頼度検出を区別する新しい適応手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T06:01:46Z)
• Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
  特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。 このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
  論文  参考訳（メタデータ） (2022-03-22T18:37:11Z)
• Multi-object Tracking with Tracked Object Bounding Box Association [18.539658212171062]
  CenterTrack Trackingアルゴリズムは,単純な検出モデルと単一フレーム空間オフセットを用いて,最先端のトラッキング性能を実現する。 本研究では,CenterTrackアルゴリズムに,現在のフレームに基づく単純なトラッキングオブジェクトバウンディングボックスと重複予測を組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-05-17T14:32:47Z)

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。