Основні поняття
カメラ運動の影響を排除し、物体運動モデルの信頼性を最大化するカルマンフィルターの再定式化によって、多物体追跡の性能を大幅に向上させる。
Анотація
本論文では、カメラ運動の影響を考慮した新しい目標予測モジュール「Ego-Motion Aware Target Prediction (EMAP)」を提案している。EMAP モジュールは、カルマンフィルターの状態定義を再定式化することで、カメラの回転および並進運動の影響を物体軌跡から分離する。これにより、カメラ運動による乱れを排除し、物体運動モデルの信頼性を最大化する。
EMAP モジュールを4つの最新の多物体追跡アルゴリズム(OC-SORT、Deep OC-SORT、ByteTrack、BoT-SORT)に統合し、KITTI MOTデータセットで評価した結果、OC-SORT とDeep OC-SORTの ID スイッチ数を73%と21%それぞれ削減し、HOTA スコアを5%以上向上させることができた。さらに、CARLA自動運転シミュレータを用いた実験でも、EMAP モジュールの有効性が確認された。
Статистика
OC-SORTのIDスイッチ数が73%減少した
Deep OC-SORTのIDスイッチ数が21%減少した
HOTAスコアが5%以上向上した
Цитати
"カメラ運動の影響を排除し、物体運動モデルの信頼性を最大化するカルマンフィルターの再定式化によって、多物体追跡の性能を大幅に向上させる。"
"EMAP モジュールを4つの最新の多物体追跡アルゴリズムに統合し、KITTI MOTデータセットで評価した結果、OC-SORT とDeep OC-SORTの ID スイッチ数を73%と21%それぞれ削減し、HOTA スコアを5%以上向上させることができた。"