Detection and Tracking Overview

Object Detection と Tracking は、画像・動画から 「何が、どこに、どう動いているか」 を推定する基本タスクです。3D Reconstruction、SLAM、自動運転、video understanding、robotics、AR のすべての基盤になります。

全体像

詳細ページ

ページ	内容
Object Detection Fundamentals	Two-stage / one-stage / DETR 系の整理
YOLO Family	Real-time detector の代表系譜
DETR Family	Transformer-based detection と DINO
Multi-Object Tracking	SORT、ByteTrack、tracking-by-detection
Tracking Any Point	CoTracker、TAPIR、TAP-Vid

3D Reconstruction との関係

• Dynamic SLAM では moving object の mask が必要 → detection / tracking
• 4D Reconstruction では object 単位の motion が重要 → MOT、TAP
• Video Diffusion Models や World Models では、object identity の保持が必要
• Embodied AI では target object の追跡が grasping や navigation の前提

関連ページ

• Segmentation for 3D Reconstruction
• Scene Flow
• Grounding DINO and Open-Vocabulary Detection
• SAM 2

主なソース

• DETR: https://arxiv.org/abs/2005.12872
• YOLOv8 documentation: https://docs.ultralytics.com/
• ByteTrack: https://arxiv.org/abs/2110.06864
• CoTracker: https://arxiv.org/abs/2307.07635