Notice bibliographique
Résumé
Multi-Object Tracking (MOT) is fundamental to applications such as autonomous driving, video surveillance, and sports analytics. However, challenges persist in maintaining long-term identity associations, handling dynamic object counts, managing irregular motion patterns, and mitigating occlusions in complex environments. Inspired by advancements in state-space models (SSMs), particularly Mamba [1], we propose a novel learning-based motion prediction architecture that integrates Mamba’s input-dependent sequence modeling with self-attention layers to effectively capture non-linear motion patterns within the Tracking-By-Detection (TBD) framework. Mamba’s ability to model long-range dependencies enhances motion prediction. We further refine spatial association by improving the cost matrix traditionally based on Intersection over Union (IoU). We incorporate Height-based IoU and extend bounding boxes using adjusted buffers to account for fast motion and partial overlaps, increasing robustness in object association. Achieving accurate MOT requires a balance between precise motion modeling and effective spatial and appearance matching, leveraging both strong and weak cues in data association. Our method is evaluated on challenging benchmarks, such as DanceTrack [2] and SportsMOT [3], achieving HOTA scores of 63.16% and 77.26%, respectively. These results surpass multiple state-of-the-art methods with a 3-7% improvement over other learning-based motion models, demonstrating the effectiveness of our approach in real-world tracking scenarios.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».