論文の概要: ARC-SORT: Adaptive, Robust, Compensated Multi-Object Tracking with Interacting Multiple Models

• arxiv url: http://arxiv.org/abs/2610.22306v1
• Date: Thu, 15 Oct 2026 17:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.240101
• Title: ARC-SORT: Adaptive, Robust, Compensated Multi-Object Tracking with Interacting Multiple Models
• Title（参考訳）: ARC-SORT:複数モデル間相互作用による適応的,ロバスト,補償多対象追跡
• Abstract要約: ARC-SORTは、何も訓練せず、リアルタイムで走るトラッキング・バイ・検出・トラッカーである。 その設計規則: トラッカーは自身の不確実性を計測し、その測定がどのように振る舞うかを決定する。 ARC-SORTはSportsMOTテストセットで81.82HOTAに達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-object tracking in sports broadcasts is hard for two reasons: athletes move fast and change direction abruptly, and the camera pans and zooms at the same time. We present ARC-SORT (Adaptive, Robust, Compensated SORT), a tracking-by-detection tracker that trains nothing and runs in real time. Its design rule: the tracker measures its own uncertainty, and that measurement decides how it acts. An Interacting Multiple Model (IMM) Kalman filter gives every track a predictive covariance, and we turn it into a per-track search region: the less reliable the motion prediction, the larger the region in which a detection may match (uncertainty-adaptive Expansion IoU, EIoU). On identical inputs, this continuous coupling is what matters: the same covariance used as a hard Mahalanobis gate hurts at every threshold we swept, and richer covariance summaries add nothing measurable. When two tracks cross, the assignment cost itself reports whether the decision was close. ARC-SORT keeps such pairs under review and applies at most one corrective identity swap once post-crossing appearance evidence shows the first decision was wrong; this adds +1.0 HOTA (higher order tracking accuracy) on both the SportsMOT and DanceTrack test sets at under a millisecond per frame. For players who leave the frame for seconds, motion extrapolation carries no information, so our offline re-identification drops the usual motion gate and links tracklets by appearance alone. ARC-SORT reaches 81.82 HOTA on the SportsMOT test set with the fewest identity switches of the 69 leaderboard entries as of August 2026 and tied-third multi-object tracking accuracy (MOTA, 97.09), and 62.1 HOTA on DanceTrack test with the same association settings. On Deep-EIoU's public detections and embeddings it reaches 80.31 HOTA, +3.1 over Deep-EIoU. It runs at about 50 frames per second on a laptop RTX 3060 GPU. Code will be released.
• Abstract（参考訳）: スポーツ放送のマルチオブジェクトトラッキングは、アスリートが素早く動き、突然方向を変え、同時にカメラがパンとズームする、という2つの理由から難しい。 本稿ではARC-SORT(Adaptive, Robust, Compensated SORT)について述べる。 その設計規則: トラッカーは自身の不確実性を計測し、その測定がどのように振る舞うかを決定する。 干渉多重モデル(IMM)カルマンフィルタは、全てのトラックに予測共分散を与え、トラックごとの探索領域に変換する: 動き予測の信頼性が低ければ大きいほど、検出がマッチする領域が大きくなる(不確実適応拡張IoU, EIoU)。 硬いマハラノビスゲートと同じ共分散は、私たちが経験したすべての閾値で痛くなり、よりリッチな共分散サマリは何も測定できない。 2本の線路が交差すると、割当費用自体が決定が完了したかどうかを報告する。 ARC-SORTはそのようなペアをレビューし、一度交差後の証拠が最初の決定を間違っていたことを示すと、少なくとも1つの修正IDスワップを適用している。 フレームを数秒離れたプレイヤーは、モーション・エクスポーレーションに情報がないので、オフラインで再識別すると通常のモーション・ゲートがドロップし、外見だけでトラックレットをリンクする。 ARC-SORTはSportsMOTテストセットで81.82HOTAに達し、2026年8月時点で69のリーダーボードエントリーのうち最少のIDスイッチ、DanceTrackテストでは62.1HOTAと3つめのマルチオブジェクト追跡精度(MOTA, 97.09)を記録した。 Deep-EIoUの公開検出と埋め込みでは、Deep-EIoUの80.31HOTA, +3.1に達する。 ラップトップのRTX 3060 GPUでは、毎秒約50フレームで動作する。 コードはリリースされる。

関連論文リスト

• MOTIP2: Spatial Priors for End-to-End Multi-Object Tracking [6.672145595099106]
  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。
  論文  参考訳（メタデータ） (2026-10-07T16:47:18Z)
• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• 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)
• D$^{\bf{3}}$: Duplicate Detection Decontaminator for Multi-Athlete Tracking in Sports Videos [44.027619577289144]
  重複検出は、1フレーム内の複数の検出ボックスによって、同一選手の閉塞誤報として、新しく正確に定義される。 この問題に対処するために、トレーニング用のトランスフォーマーベースの検出デコンタミネータ(D$3$)と、マッチングのための特定のアルゴリズムRally-Hungarian(RH)を慎重に設計する。 我々のモデルはバレーボールビデオのみで訓練されており、MATのバスケットボールやサッカービデオに直接適用することができる。
  論文  参考訳（メタデータ） (2022-09-25T15:46:39Z)
• VariabilityTrack:Multi-Object Tracking with Variable Speed Object Movement [1.6385815610837167]
  マルチオブジェクトトラッキング(MOT)は、ビデオ内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。 環境フィードバックに基づく可変速度カルマンフィルタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-12T12:39:41Z)
• 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)
• Quasi-Dense Similarity Learning for Multiple Object Tracking [82.93471035675299]
  本稿では, コントラスト学習のための画像に対して, 数百の領域提案を高密度にサンプリングする準高次類似性学習を提案する。 この類似性学習と既存の検出手法を直接組み合わせてQuasi-Dense Tracking(QDTrack)を構築することができる。
  論文  参考訳（メタデータ） (2020-06-11T17:57:12Z)
• 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。