論文の概要: MOTIP2: Spatial Priors for End-to-End Multi-Object Tracking
- arxiv url: http://arxiv.org/abs/2610.10391v1
- Date: Wed, 07 Oct 2026 16:47:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:23.057528
- Title: MOTIP2: Spatial Priors for End-to-End Multi-Object Tracking
- Title（参考訳）: MOTIP2: エンドツーエンドマルチオブジェクト追跡のための空間的優先順位
- Abstract要約: エンドツーエンドのマルチオブジェクトトラッカーは、相関微分ベンチマークにおける古典的な追跡検出とのギャップを狭めている。
空間的先入観を明示的にエンコードすると同時に,ポストホックアソシエーションを伴わずに,完全なエンドツーエンドの推論を保ちます。
実時間DIM検出変換器上に構築したMOTIP2のトラッカーであるMOTIP2の3つの前処理をインスタンス化する。
- 参考スコア（独自算出の注目度）: 6.672145595099106
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: End-to-end multi-object trackers have narrowed the gap with classical tracking-by-detection on association-difficult benchmarks. Yet they still make spatially implausible errors no classical tracker would, such as assigning one identity to objects on opposite sides of the frame. A model could learn to avoid them, but tracking annotations are scarce, so we encode spatial priors explicitly instead, while keeping inference fully end-to-end with no post-hoc association. We propose three spatial priors, at the data, loss, and representation stages. Spatial ID Switches bias trajectory permutations toward spatially overlapping objects, reducing the mismatch between training and inference confusions. Spatial ID Loss scales each identity's penalty by its box distance, so a distant switch costs more than a nearby one. Spatial Anchor gives each track token its frame position, an explicit spatial cue for attention. We instantiate the three priors in MOTIP2, a tracker adapted from MOTIP and built on the real-time DEIM detection transformer. Trained without extra data, its main model, MOTIP2-L, sets a new state of the art: 73.4 HOTA on DanceTrack, 76.0 on SportsMOT, and 71.1 IDF1 on PersonPath22. MOTIP2 is a family of models spanning the speed-accuracy trade-off: a lighter model, MOTIP2-S, matches the original MOTIP at over 3x the speed, and MOTIP2-X reaches 74.8 HOTA on DanceTrack.
- Abstract（参考訳）: エンドツーエンドのマルチオブジェクトトラッカーは、相関微分ベンチマークにおける古典的な追跡検出とのギャップを狭めている。
しかし、フレームの反対側のオブジェクトに1つのアイデンティティを割り当てるなど、古典的なトラッカーがしないような空間的不確実なエラーは依然として発生している。
モデルはそれらを避けるために学習するが、アノテーションの追跡は乏しいため、空間的事前を明示的にエンコードすると同時に、推論を完全にエンドツーエンドに保ちながら、ポストホックな関連性を持たない。
本稿では,データ,損失,表現段階の3つの空間的先行性を提案する。
空間IDは、バイアス軌跡を空間的に重なり合う物体に切り替え、トレーニングと推論の混乱のミスマッチを減らす。
空間ID損失は、それぞれのアイデンティティのペナルティをボックス距離でスケールするので、近くのスイッチよりも高いコストがかかる。
空間アンカーは各トラックのトークンにフレーム位置を与える。
実時間DIM検出変換器上に構築したMOTIP2のトラッカーであるMOTIP2の3つの前処理をインスタンス化する。
追加データなしで訓練されたMOTIP2-Lは、DanceTrackで73.4 HOTA、SportsMOTで76.0、PersonPath22で71.1 IDF1を新たに設定する。
MOTIP2は、軽量モデルであるMOTIP2-Sが元のMOTIPと3倍以上の速度で一致し、MOTIP2-XはDanceTrackで74.8HOTAに達した。
関連論文リスト
- MotionSync: Non-Causal Refinement of Causal Tracker for Label-Efficient 3D Perception [6.350460753267439]
3次元のボックス・アンド・トラックアノテーションは、自動運転データエンジンのコストボトルネックである。
両体制を必要とするチームは2つの体制を維持し、調整する。
MotionSyncは因果/非因果境界を明示的なアーキテクチャシームにする。
論文 参考訳（メタデータ） (2026-08-30T05:25:57Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - Motion-to-Matching: A Mixed Paradigm for 3D Single Object Tracking [27.805298263103495]
本稿では,モーションモデリングと特徴マッチングを組み合わせたMTM-Trackerを提案する。
第1段階では、連続した履歴ボックスを先行動作として利用し、ターゲットの粗い位置を特定するエンコーダ・デコーダ構造を提案する。
第2段階では、連続する点雲から動きを認識する特徴を抽出し、それらをマッチングして目標運動を洗練させる特徴相互作用モジュールを導入する。
論文 参考訳（メタデータ） (2023-08-23T02:40:51Z) - ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every
Detection Box [81.45219802386444]
マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。
3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
論文 参考訳（メタデータ） (2023-03-27T15:35:21Z) - InterTrack: Interaction Transformer for 3D Multi-Object Tracking [9.283656931246645]
3Dマルチオブジェクトトラッキング(MOT)は、自動運転車にとって重要な問題である。
提案手法であるInterTrackは,データアソシエーションのための識別対象表現を生成する。
我々はnuScenes 3D MOTベンチマークのアプローチを検証する。
論文 参考訳（メタデータ） (2022-08-17T03:24:36Z) - Tracklets Predicting Based Adaptive Graph Tracking [51.352829280902114]
マルチオブジェクト追跡,すなわち textbfTPAGT のための,正確かつエンドツーエンドの学習フレームワークを提案する。
動作予測に基づいて、現在のフレーム内のトラックレットの特徴を再抽出する。
論文 参考訳（メタデータ） (2020-10-18T16:16:49Z) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
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いて重要なタスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳（メタデータ） (2020-07-30T16:39:22Z) - Chained-Tracker: Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。
鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
論文 参考訳（メタデータ） (2020-07-29T02:38:49Z) - Tracking Objects as Points [83.9217787335878]
同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。
トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。
CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
論文 参考訳（メタデータ） (2020-04-02T17:58:40Z)
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。