HybridTrack: A Hybrid Approach for Robust Multi-Object Tracking

要約

Advanced Driver Assistance Systems（ADAS）の進化により、マルチオブジェクト追跡のための堅牢で一般化可能なアルゴリズムの必要性が高まりました。
従来の統計モデルベースの追跡方法は、事前定義されたモーションモデルとシステムノイズ分布に関する仮定に依存しています。
計算効率が高いですが、多くの場合、さまざまなトラフィックシナリオへの適応性が欠けており、広範な手動設計とパラメーターチューニングが必要です。
これらの問題に対処するために、車両の新しい3Dマルチオブジェクト追跡アプローチであるハイブリッドトラックを提案します。ハイブリッドトラックは、データ駆動型のカルマンフィルター（KF）を追跡ごとのパラダイム内に統合します。
特に、遷移残差とKalmanはデータから直接獲得することを学習し、手動の動きと確率的パラメーターモデリングの必要性を排除します。
実際のキッティデータセットで検証されたHybridTrackは、82.72％のHota精度を達成し、最先端の方法を大幅に上回ります。
また、さまざまな構成の下での方法を評価し、112 fpsの最速処理速度を達成します。
その結果、ハイブリッドトラックは、パフォーマンスを改善し、リアルタイムの効率を維持しながら、シーン固有の設計への依存度を排除します。
このコードは、https：//github.com/leandro-svg/hybridtrackで公開されています。

要約(オリジナル)

The evolution of Advanced Driver Assistance Systems (ADAS) has increased the need for robust and generalizable algorithms for multi-object tracking. Traditional statistical model-based tracking methods rely on predefined motion models and assumptions about system noise distributions. Although computationally efficient, they often lack adaptability to varying traffic scenarios and require extensive manual design and parameter tuning. To address these issues, we propose a novel 3D multi-object tracking approach for vehicles, HybridTrack, which integrates a data-driven Kalman Filter (KF) within a tracking-by-detection paradigm. In particular, it learns the transition residual and Kalman gain directly from data, which eliminates the need for manual motion and stochastic parameter modeling. Validated on the real-world KITTI dataset, HybridTrack achieves 82.72% HOTA accuracy, significantly outperforming state-of-the-art methods. We also evaluate our method under different configurations, achieving the fastest processing speed of 112 FPS. Consequently, HybridTrack eliminates the dependency on scene-specific designs while improving performance and maintaining real-time efficiency. The code is publicly available at: https://github.com/leandro-svg/HybridTrack.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google