MAML MOT: Multiple Object Tracking based on Meta-Learning

要約

ビデオ分析技術の進歩に伴い、歩行者が関与する複雑なシーンにおけるマルチオブジェクト追跡 (MOT) 問題の重要性が増しています。
この課題には主に、歩行者の検出と再識別という 2 つの重要なタスクが含まれます。
近年、歩行者検出タスクは大幅な進歩を遂げていますが、再識別タスクの有効性を高めることは依然として根深い課題です。
この問題は、複数の物体追跡データセット内の歩行者サンプルの総数が多いことと、個々のインスタンスのサンプルが不足していることから発生します。
メタ学習技術の最近の急速な進歩を動機として、マルチオブジェクト追跡のためのメタ学習ベースのトレーニング アプローチである MAML MOT を紹介します。
このアプローチは、メタ学習の高速学習機能を活用して、歩行者再識別タスクにおけるサンプル不足の問題に取り組み、モデルの一般化パフォーマンスと堅牢性を向上させることを目的としています。
実験結果は、提案された方法が MOT チャレンジの主流のデータセットで高い精度を達成することを示しています。
これは、歩行者の複数物体追跡の分野における研究に新しい視点とソリューションを提供します。

要約(オリジナル)

With the advancement of video analysis technology, the multi-object tracking (MOT) problem in complex scenes involving pedestrians is gaining increasing importance. This challenge primarily involves two key tasks: pedestrian detection and re-identification. While significant progress has been achieved in pedestrian detection tasks in recent years, enhancing the effectiveness of re-identification tasks remains a persistent challenge. This difficulty arises from the large total number of pedestrian samples in multi-object tracking datasets and the scarcity of individual instance samples. Motivated by recent rapid advancements in meta-learning techniques, we introduce MAML MOT, a meta-learning-based training approach for multi-object tracking. This approach leverages the rapid learning capability of meta-learning to tackle the issue of sample scarcity in pedestrian re-identification tasks, aiming to improve the model’s generalization performance and robustness. Experimental results demonstrate that the proposed method achieves high accuracy on mainstream datasets in the MOT Challenge. This offers new perspectives and solutions for research in the field of pedestrian multi-object tracking.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google