FishMOT: A Simple and Effective Method for Fish Tracking Based on IoU Matching

要約

さまざまな魚種の追跡は、個々の魚とそのグループの行動を理解する上で非常に重要な役割を果たします。
現在の追跡方法には、精度が低い、または堅牢性が低いという問題があります。
これらの懸念に対処するために、この論文では、FishMOT (Fish Multiple Object Tracking) と呼ばれる新しい追跡アプローチを提案します。
この方法では、物体検出技術と IoU マッチング アルゴリズムを組み合わせることで、効率的、正確、かつ堅牢な魚の検出と追跡を実現します。
他のアプローチとは異なり、この方法では、各個人に対する複数の特徴抽出と ID 割り当ての必要性がなくなり、代わりに検出器の出力結果を追跡に直接利用するため、計算時間と記憶スペースが大幅に削減されます。
さらに、この方法では、ビデオ品質や個人の外観の変化などの要素に対して最小限の要件が課されます。
探知機が魚の位置を正確に特定し、特定できる限り、効果的な追跡を達成できます。
このアプローチにより、堅牢性と汎用性が強化されます。
さらに、この方法で採用されているアルゴリズムは、複雑な特徴マッチングやグラフ最適化アルゴリズムに依存せずに、検出漏れの問題に対処します。
精度と信頼性の向上に貢献します。
idtracker.ai が提供するオープンソースのビデオ データセットで実験が実施され、最先端の検出器ベースのマルチオブジェクト追跡手法と比較されました。
さらに、動物追跡の分野で優れたパフォーマンスを実証する 2 つのツールである idtracker.ai と TRex との比較も行われました。
実験結果は、提案された方法がさまざまな評価基準において他のアプローチよりも優れており、より高速でメモリ要件が低いことを示しています。
ソースコードと事前トレーニングされたモデルは、https://github.com/gakkistar/FishMOT から入手できます。

要約(オリジナル)

The tracking of various fish species plays a profoundly significant role in understanding the behavior of individual fish and their groups. Present tracking methods suffer from issues of low accuracy or poor robustness. In order to address these concerns, this paper proposes a novel tracking approach, named FishMOT (Fish Multiple Object Tracking). This method combines object detection techniques with the IoU matching algorithm, thereby achieving efficient, precise, and robust fish detection and tracking. Diverging from other approaches, this method eliminates the need for multiple feature extractions and identity assignments for each individual, instead directly utilizing the output results of the detector for tracking, thereby significantly reducing computational time and storage space. Furthermore, this method imposes minimal requirements on factors such as video quality and variations in individual appearance. As long as the detector can accurately locate and identify fish, effective tracking can be achieved. This approach enhances robustness and generalizability. Moreover, the algorithm employed in this method addresses the issue of missed detections without relying on complex feature matching or graph optimization algorithms. This contributes to improved accuracy and reliability. Experimental trials were conducted in the open-source video dataset provided by idtracker.ai, and comparisons were made with state-of-the-art detector-based multi-object tracking methods. Additionally, comparisons were made with idtracker.ai and TRex, two tools that demonstrate exceptional performance in the field of animal tracking. The experimental results demonstrate that the proposed method outperforms other approaches in various evaluation metrics, exhibiting faster speed and lower memory requirements. The source codes and pre-trained models are available at: https://github.com/gakkistar/FishMOT

arxiv情報

提供元, 利用サービス

arxiv.jp, Google