HybridTrack: A Hybrid Approach for Robust Multi-Object Tracking

要約

先進運転支援システム（ADAS）の進化により、マルチオブジェクト追跡のためのロバストで汎用性の高いアルゴリズムの必要性が高まっています。従来の統計モデルベースのトラッキング手法は、事前に定義された運動モデルとシステムのノイズ分布に関する仮定に依存しています。計算効率は高いものの、様々な交通シナリオへの適応性に欠けることが多く、手作業による設計やパラメータ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、我々は、車両用の新しい3Dマルチオブジェクト追跡アプローチであるHybridTrackを提案する。HybridTrackは、データ駆動型カルマンフィルタ（KF）をトラッキング・バイ・検出パラダイムに統合したものである。特に、データから直接遷移残差とカルマンゲインを学習することで、手動による動きや確率的パラメータのモデリングを不要にする。実世界のKITTIデータセットで検証した結果、HybridTrackは82.08%のHOTA精度を達成し、最先端の手法を大幅に凌駕した。また、本手法を様々な構成で評価した結果、最速112FPSの処理速度を達成しました。その結果、HybridTrackは、パフォーマンスを向上させリアルタイム効率を維持しながら、シーン固有の設計への依存を排除します。コードは公開時に公開される予定である。https://github.com/leandro-svg/HybridTrack.git。

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 82.08% 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 will be publicly available at the time of publishing: https://github.com/leandro-svg/HybridTrack.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL