An Empirical Analysis of Visual Features for Multiple Object Tracking in\n Urban Scenes
Notice bibliographique
Résumé
This paper addresses the problem of selecting appearance features for\nmultiple object tracking (MOT) in urban scenes. Over the years, a large number\nof features has been used for MOT. However, it is not clear whether some of\nthem are better than others. Commonly used features are color histograms,\nhistograms of oriented gradients, deep features from convolutional neural\nnetworks and re-identification (ReID) features. In this study, we assess how\ngood these features are at discriminating objects enclosed by a bounding box in\nurban scene tracking scenarios. Several affinity measures, namely the\n$\\mathrm{L}_1$, $\\mathrm{L}_2$ and the Bhattacharyya distances, Rank-1 counts\nand the cosine similarity, are also assessed for their impact on the\ndiscriminative power of the features. Results on several datasets show that\nfeatures from ReID networks are the best for discriminating instances from one\nanother regardless of the quality of the detector. If a ReID model is not\navailable, color histograms may be selected if the detector has a good recall\nand there are few occlusions; otherwise, deep features are more robust to\ndetectors with lower recall. The project page is\nhttp://www.mehdimiah.com/visual_features.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».