論文の概要、ライセンス

# (参考訳) 複雑な環境下における物体追跡のための新しい性能対策 [全文訳有]

New Performance Measures for Object Tracking under Complex Environments ( http://arxiv.org/abs/2111.07145v1 )

ライセンス: CC BY 4.0
Ajoy Mondal(参考訳) 改良された追跡アルゴリズムの品質を評価するために, 基礎的真理と基礎的真理を含まない様々な性能測定方法が存在する。 既存の一般的な測度 - 平均中心位置誤差 (ACLE) と平均追跡精度 (ATA) は、ある複雑な環境下でオブジェクトを追跡するために開発されたアルゴリズムの品質を定量化するために混乱を引き起こすことがある。 本稿では,このような複雑な環境下での追跡アルゴリズムの質を評価するために,地中真理情報に基づく3つの新しい補助的性能指標を提案する。 さらに,ACLEとATAの2つの既存手法と,そのような複雑な条件下での追跡アルゴリズムの定量化のための3つの新しい手法を組み合わせることで,一つの性能測定法を開発した。 いくつかの例と実験の結果は、このような複雑な環境下でオブジェクトを追跡するための1つのアルゴリズムを定量化するための既存の手法よりも良いと結論づけている。

Various performance measures based on the ground truth and without ground truth exist to evaluate the quality of a developed tracking algorithm. The existing popular measures - average center location error (ACLE) and average tracking accuracy (ATA) based on ground truth, may sometimes create confusion to quantify the quality of a developed algorithm for tracking an object under some complex environments (e.g., scaled or oriented or both scaled and oriented object). In this article, we propose three new auxiliary performance measures based on ground truth information to evaluate the quality of a developed tracking algorithm under such complex environments. Moreover, one performance measure is developed by combining both two existing measures ACLE and ATA and three new proposed measures for better quantifying the developed tracking algorithm under such complex conditions. Some examples and experimental results conclude that the proposed measure is better than existing measures to quantify one developed algorithm for tracking objects under such complex environments.
公開日: Sat, 13 Nov 2021 16:32:42 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Noname manuscript No. (will be inserted by the editor) 野名写本No.(編集者が挿入する) 0.67
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
Ajoy Mondal アホイ・モンダル(Ajoy Mondal) 0.42
1 2 0 2 v o N 3 1 1 2 0 2 v o n 3 1 である。 0.54
] V C . s c [ ] 略称はC。 sc [ 0.39
1 v 5 4 1 7 0 1 v 5 4 1 7 0 0.42
. 1 1 1 2 : v i X r a . 1 1 1 2 : v i X r a 0.43
the date of receipt and acceptance should be inserted later 受領日及び受理日は後で挿入する。 0.51
Abstract Various performance measures based on the ground truth and without ground truth exist to evaluate the quality of a developed tracking algorithm. 基礎的真理と基礎的真理の欠如に基づく様々な性能指標を抽象化し,開発した追跡アルゴリズムの品質評価を行う。 0.70
The existing popular measures - average center location error (acle) and average tracking accuracy (ata) based on ground truth, may sometimes create confusion to quantify the quality of a developed algorithm for tracking an object under some complex environments (e g , scaled or oriented or both scaled and oriented object). 既存の一般的な尺度 - 平均中心位置誤差 (acle) と平均追跡精度 (ata) - は、時として、複雑な環境(例えば、スケールしたり、向きを変えたり、スケールしたり、向きを変えたり)でオブジェクトを追跡する、開発されたアルゴリズムの品質を定量化する混乱を引き起こすことがある。
訳抜け防止モード: 既存の一般的な尺度 - 平均中心位置誤差(acle) そして、地上の真理に基づく平均追跡精度(ata)。 複雑な環境下で物体を追跡するアルゴリズムの品質を定量化するために混乱を引き起こす可能性がある (例えば、スケールや指向、あるいはスケールや指向のオブジェクトなど)。
0.83
In this article, we propose three new auxiliary performance measures based on ground truth information to evaluate the quality of a developed tracking algorithm under such complex environments. 本稿では,このような複雑な環境下での追跡アルゴリズムの質を評価するために,地中真理情報に基づく3つの新しい補助的性能指標を提案する。 0.76
Moreover, one performance measure is developed by combining both two existing measures (acle and ata) and three new proposed measures for better quantifying the developed tracking algorithm under such complex conditions. さらに,2つの既存測度(acleとata)と,そのような複雑な条件下での追跡アルゴリズムの定量化のための3つの新しい測度を組み合わせることで,1つの性能測度を開発した。 0.69
Some examples and experimental results conclude that the proposed measure is better than existing measures to quantify one developed algorithm for tracking objects under such complex environments. いくつかの例と実験の結果は、このような複雑な環境下でオブジェクトを追跡するための1つのアルゴリズムを定量化するための既存の手法よりも良いと結論づけている。 0.58
Keywords Tracking, evaluation, performance measure, scale, orientation and complex environment. キーワード追跡、評価、パフォーマンス測定、スケール、方向、複雑な環境。 0.73
1 Introduction Object tracking in a video sequence has been an active research area in computer vision during the last few decades due to its several real-life application [5, 11– 13, 15, 17]. はじめに ビデオシーケンスにおける物体追跡は、この数十年間、コンピュータビジョンにおける活発な研究領域となっている。 0.50
Every year, large number of tracking algorithms have been developed and corresponding papers are published in journal and conferences. 毎年多くの追跡アルゴリズムが開発され、それに対応する論文が雑誌や会議で発表されている。 0.76
The quality of the developed algorithm is compared with state-of-the-art techniques based on some performance measures. 開発したアルゴリズムの品質は、いくつかの性能測定に基づく最先端技術と比較される。 0.70
When the developed algorithm is compared with state-of-the-art techniques, several questions may be arises. 開発したアルゴリズムを最先端技術と比較すると,いくつかの疑問が生じる可能性がある。 0.56
Are there standard sequences that can be used for evaluation purposes? 評価目的に使用できる標準的なシーケンスはありますか? 0.81
Is there a standard evaluation CVIT, International Institute of Information Technology, Hyderabad, India email: ajoy.mondal83@gmail. com 標準評価はあるか? CVIT, International Institute of Information Technology, Hyderabad, India email: ajoy.mondal83@gmail. com 0.64
英語(論文から抽出)日本語訳スコア
2 Ajoy Mondal 2 アホイ・モンダル(Ajoy Mondal) 0.42
protocol? What kind of performance measure should be used? プロトコル? どのようなパフォーマンス指標を使用するべきか? 0.74
Unfortunately, there are currently no definite answers to all these questions. 残念ながら、これらの全ての質問に対する明確な答えはない。 0.75
However, several performance measures are proposed to quantify the quality of a newly developed tracking algorithm as compared to state-of-the-art techniques [2, 4, 8, 18]. しかし,新しい追跡アルゴリズムの質を,[2, 4, 8, 18]と比較して定量化するために,いくつかの性能指標が提案されている。 0.77
Center location error (cle) and area overlap (aol) are basically considered to evaluate the performance of a tracking algorithm. 中心位置誤差(cle)と面積重なり(aol)は基本的に追跡アルゴリズムの性能を評価するために考慮される。 0.87
These two measures are useful to compare performances of different tracking algorithms. これら2つの尺度は、異なるトラッキングアルゴリズムのパフォーマンスを比較するのに有用である。 0.56
Other measures like precision plot (pp) based on center location error and success plot (sp) based on area overlap are also considered to evaluate the performance of the tracking algorithm throughout the complete sequence. また、中心位置誤差に基づく精度プロット(pp)や領域重なりに基づく成功プロット(sp)といった他の尺度も、全シーケンスにおける追跡アルゴリズムの性能を評価するために考慮される。 0.84
All these measures may sometimes be unable or create confusion to quantify the quality of an algorithm for tracking single object under complex environments (like object with shape deformation, scaled object, oriented object, both scaled and oriented object). これらの測度は、複雑な環境下で単一の物体を追跡するアルゴリズムの品質(例えば、形状変形のあるオブジェクト、スケールされたオブジェクト、向き付けられたオブジェクト、スケールされたオブジェクトと向き付けられたオブジェクト)を定量化するために、混乱を引き起こすことがある。
訳抜け防止モード: これらすべての尺度は、複雑な環境下(形状変形のある物体など)で単一の物体を追跡するアルゴリズムの品質を定量化するために混乱を生じさせる可能性がある。 スケールドオブジェクト、指向オブジェクト、スケールドオブジェクトと指向オブジェクトの両方)。
0.71
In this article, we propose three new complementary measures: error in estimated height of optimal tracker (Et w) and error in estimated orientation angle of optimal tracker (Et θ); and another composite measure based on three proposed and two existing measures to evaluate the performance of a tracking algorithm under such complex environments. 本稿では,最適トラッカーの高さ推定誤差(Et w)と最適トラッカーの向き推定誤差(Et θ)と,そのような複雑な環境下でのトラッキングアルゴリズムの性能評価のための3つの提案と2つの既存手法に基づく2つの合成測度を提案する。 0.78
Various examples and experimental results conclude that the proposed composite measure is better to quantify the quality of an algorithm than the existing measures. 様々な例と実験の結果から,提案手法は既存の尺度よりもアルゴリズムの品質を定量化することが望ましいと結論づけられた。 0.74
h), error in estimated width of optimal tracker (Et h) 最適トラッカーの推定幅の誤差(Et) 0.69
2 Existing Performance Measures based on Ground Truth Information 2 地上真理情報に基づく既存性能評価手法 0.72
C ) and area overlap A) are popularly considered to quantify a tracking algorithm. C) とエリアオーバーラップ A) は追跡アルゴリズムの定量化として一般的に考えられている。 0.68
They can be Two performance measures namely center location error (Et (Et calculated as 彼らはできる 中心位置誤差(Et(Et)を算出した2つのパフォーマンス指標 0.80
C = (cid:107)Ct Et C = (cid:107)Ct Et 0.47
g − Ct(cid:107); g∩T t T t g∪T t , T t g − Ct(cid:107); g t T t g t t , T t 0.46
Et A = (1) など A = (1) 0.46
g is a ground truth rectangular tracker with center Ct g は中心 Ct を持つ基底真理直交トラッカーである 0.81
where T t g at tth frame and T t is a rectangular tracker with center Ct at tth frame generated by a tracking algorithm. T t g at tth frame と T t は、追跡アルゴリズムによって生成される t フレームの中心 Ct の長方形のトラッカーである。 0.89
Similarly average center location error (Eavg C ) and average area overlap or average tracking accuracy (Eavg 同様に平均中心位置誤差(Eavg C )と平均面積重複または平均追跡精度(Eavg C ) 0.91
A ) over all the frames can be calculated as A) すべてのフレーム上で計算できる。 0.72
(2) (cid:80)N t=1 (cid:107)Ct (cid:80)N (2) (cid:80)N t=1 (cid:107)Ct (cid:80)N 0.40
t=1 g − Ct(cid:107); g∩T t T t g∪T t , T t t=1 である。 g − Ct(cid:107); g t T t g t t , T t 0.38
Eavg C = 1 N エヴグ(Eavg) C = 1 N 0.39
Eavg A = 1 N エヴグ(Eavg) A = 1 N 0.39
C and Eavg if video contains N number of frames. c と eavg ビデオが n 個のフレームを含む場合。 0.79
For a good tracking algorithm, Et should be 0 whereas Et A should be 1. よい追跡アルゴリズムでは、Et は 0 であり、Et A は 1 である。 0.67
Some plots (e g , precision plot and success plot) based on center location error and area overlap, respectively are considered to evaluate performance of the tracking algorithms. 中心位置誤差と領域重なりに基づくいくつかのプロット(精度プロットや成功プロットなど)を追跡アルゴリズムの性能評価として検討した。 0.78
A and Eavg C a と eavg C 0.60
Precision Plot: It is considered to measure the overall tracking performance [1, 7, 15]. 精度プロット: 全体のトラッキング性能 [1, 7, 15] を測定する。 0.61
It shows that the percentage of frames where the estimated location of the object is within the given threshold distance with respect to the ground truth. 対象物の位置が推定されるフレームの割合が、基底真理に対して与えられた閾値距離内にあることを示す。 0.73
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
3 (a) (b) Fig. 1 Example 1 - area overlap between ground truth tracker and trackers obtained by 3 (a) (b) 図1-例1-地中真実トラッカーとトラッカーの重複領域 0.45
(a) Alg1 and (b) Alg2. (a)alg1及び (b)Alg2。 0.80
Success Plot: To measure the performance of an algorithm on a sequence of frames, we count the number of successful frames whose overlap Et A is larger than a given threshold value. 成功プロット: 一連のフレーム上でのアルゴリズムの性能を測定するために、重なり合うEt Aが与えられたしきい値より大きい成功したフレームの数をカウントする。 0.81
The success plot shows the ratios of successful frames at different thresholds varied from 0 to 1. 成功プロットは、0から1までの異なる閾値における成功フレームの比率を示す。 0.83
Success rate value at a specific threshold (e g , 0.5) may not always be a good representative for evaluating the tracker’s performance [15]. 特定のしきい値(例えば0.5)における成功率の値は、常にトラッカーのパフォーマンス評価のよい代表であるとは限らない [15]。 0.86
Instead of that, the area under the curve (auc) of each success plot is considered to evaluate the performance of the tracking algorithm [15]. その代わり、各成功プロットの曲線(Auc)の下の領域は、追跡アルゴリズム [15] の性能を評価すると考えられる。 0.73
Though these measures are popularly considered to evaluate the performance of a tracking algorithm, they may sometimes unable or create confusion to quantify the quality of a developed algorithm for tracking an object under some complex environments (e g , scaled or oriented or both scaled and oriented object). これらの測度は、追跡アルゴリズムの性能を評価するものとして一般的に考えられているが、複雑な環境下でオブジェクトを追跡するために開発されたアルゴリズムの品質を定量化するために、しばしば混乱を生じさせることがある。 0.74
The following section presents some examples where the existing performance measures fail or create confusion to evaluate the performance of a tracking algorithm under such complex environments. 以下の節では、このような複雑な環境下でのトラッキングアルゴリズムの性能を評価するために、既存のパフォーマンス対策が失敗したり、混乱を引き起こしたりする例を示す。
訳抜け防止モード: 以下、いくつかの例を示す。 既存のパフォーマンス対策は失敗または混乱を引き起こす このような複雑な環境下での追跡アルゴリズムの性能を評価する。
0.70
3 Problems of Existing Evaluation Measures for Scaled Object Tracking 大規模物体追跡における既存評価対策の問題点 0.69
3.1 Example1: g, height ht 3.1例1 g 高さ ht 0.72
g and width wt 1 (red colored rectangle) with center Ct 2, height ht 中心Ct2高さhtのgと幅wt1(赤色の矩形) 0.66
Here, we consider a simple example (see Figure 1). ここでは、簡単な例を考える(図1参照)。 0.82
Suppose T t g (green colored rectangle) with center Ct g be the ground truth tracker. t t g (green color rectangle) 中心ct g を基底真理追跡器とする。 0.70
1, height ht Again let T t 1 and 2 and width wt 2 (pink colored rectangle) with center Ct T t 2 be two trackers generated by two different (scaled object) tracking algorithms Alg1 and Alg2. 1. 高さ ht は t t 1 と 2 と幅 wt 2 (ピンク色の長方形) を 2 つの異なる(スケール対象)トラッキングアルゴリズム alg1 と alg2 によって生成される2つのトラッカーとする。 0.84
Here, we also assume that the trackers T t 1 have same center locations but different heights and widths (see Figure 1 ここでは、トラッカーT t 1が同じ中心位置であるが高さと幅が異なると仮定する(図1参照)。 0.75
(a)). Therefore, we have Ct 1 and wt g + ht. (a)。 したがって、Ct 1 と wt g + ht が成り立つ。 0.51
We also assume that the trackers T t 2 have same heights but different center locations and widths (see Figure 1 また、トラッカーtt2は高さは同じだが中心位置と幅が異なると仮定する(図1参照)。 0.77
(b)). Therefore, we have Ct 2. (b)。 したがって、Ct 2 がある。 0.55
Now let Ct 1 and width wt ではctを 1および幅wt 0.55
1. Now let wt 1. それでは、wt 0.49
1 = wt g + wt and ht 1 = wt g + wt と ht 0.63
2 and wt g < wt 2およびwt g < wt である。 0.66
g < Ct 2, ht g < Ct 2・ht 0.39
g = Ct 1, ht g = Ct 1,ht 0.42
g < ht g < ht である。 0.61
g and T t 2 = Ct g と T t 2 = Ct 0.63
g + αt and wt g + αt と wt 0.97
2 = wt 2 = wt である。 0.61
g + wt. g + wt である。 0.75
g < wt g < wt である。 0.62
g and T t 1 = ht g と T t 1 = ht 0.63
g = ht g = ht 0.42
英語(論文から抽出)日本語訳スコア
4 Ajoy Mondal 4 アホイ・モンダル(Ajoy Mondal) 0.42
Now area overlap (Et エリアオーバーラップ(Et) 0.55
) between ground truth tracker T t ) 地上の真理追跡装置T間 0.76
g and tracker T t g と Tracker T t 0.82
1 gen- A1 erated by Alg1 at tth frame, is calculated as 1元 A1 t フレームで Alg1 でエミュレートされ、計算される 0.54
Et A1 = = wt など A1 = = wt 0.44
ght 1 g∩T t T t g∪T t T t 1 wt ght g +htwt g +wtht ght 1 g t T t g t T t 1 wt ght g +htwt g +wtht 0.43
ght (wt g +wt)(ht g +wtht = ght (wt g +wt)(ht g +wtht = 0.50
wt = g g g +ht) wt = g g g + ht) である。 0.44
wt st+htwt wt st+htwt 0.35
ght g +wtht , ght g +wtht , 0.49
g (3) where st = wt g (3) st = wt の場合 0.54
ght g + wtht g. ght g + wtht g である。 0.62
Again area overlap (Et 再びエリアオーバーラップする(Et) 0.75
generated by Alg2 at tth frame, is calculated as alg2が第tフレームで生成し、計算する。 0.70
) between ground truth tracker T t ) 地上の真理追跡装置T間 0.76
g and tracker T t 2 g と Tracker T t 2 0.83
A2 Et A2 = A2 など A2 = 0.44
g∩T t T t g∪T t T t t t t t t t t t t t t の略。 0.40
2 2 = wt wt 2 2 = wt wt (複数形 wts) 0.39
ght g 2ht 2 ght g 2ht 2 0.49
= wt ght g = wt ght g 0.43
(wt g +wt)(ht (wt) g +wt)(ht) 0.41
g) = wt ght st g) = wt ght st 0.43
g , (4) since st = wt g , (4) st = wt なので 0.51
ght g + wtht g. ght g + wtht g である。 0.62
as Now center location errors Et C1 として センターロケーションエラーとc1 0.56
and Et C2 1 and T t およびEt C2 1 および T t 0.85
2 are calculated since Ct 2が計算されます ctから 0.67
g = Ct 1. g = ct 1 である。 0.83
Et C2 =(cid:13)(cid:13)Ct Et C2 =(cid:13)(cid:13)Ct 0.42
g − Ct 2 g − (Ct g − Ct 2 g (複数形 gs) 0.49
Et C1 g − Ct Et C1 g − Ct 0.43
1 =(cid:13)(cid:13)Ct (cid:13)(cid:13) =(cid:13)(cid:13)Ct 1 =(cid:13)(cid:13)Ct (cid:13)(cid:13) =(cid:13)(cid:13)Ct 0.41
of trackers T t トラッカー T t の 0.71
(cid:13)(cid:13) = 0, g + αt)(cid:13)(cid:13) = αt. (cid:13)(cid:13) = 0, g + αt)(cid:13)(cid:13) = αt。 0.41
(5) (6) A2 (5) (6) A2 0.41
, i.e., tracker T t 、すなわち、トラッカーT t 0.64
Eqs. (3) and (4) conclude that Et eqsだ (3) と (4) は et を結論づける 0.79
, i.e., tracker T t > Et 2 has more area overlap A1 1 at tth frame. トラッカー t t > et 2 は t 番目のフレームでより多くの領域オーバーラップ a1 1 を持つ。 0.70
On the other hand, Eqs. g than tracker T t with ground truth tracker T t c1 < Et (5) and (6) conclude that Et 1 has lesser center location error C2 2 at tth frame. 一方、Eqs。 g than tracker t t with ground truth tracker t t c1 < et (5) and (6) では、et 1 は t フレームにおいて中心位置誤差 c2 2 が少ないと結論づけている。 0.61
If we consider center location error as a performance than tracker T t 2 at tth frame. 中心位置誤差をtフレームにおけるトラッカーTt2よりも高い性能とする。 0.66
If we consider area measure then tracker T t overlap as a performance measure then tracker T t 1 at tth frame. 面積測度を考えると、トラッカーTtを性能測度として重なり合うので、トラッカーTt1をtフレームとする。 0.63
If we consider both these measures no decision can be made. これらの措置がどちらも考慮すれば、決定はできない。 0.70
However, 1 has lesser center location error with lesser area overlap and tracker T t tracker T t 2 has higher center location error with higher area overlap at tth frame. しかし、1 は中心位置エラーが少なく、面積オーバーラップが少なく、トラッカー t t トラッカー t t 2 は中心位置エラーが高く、t フレームで面積オーバーラップする。
訳抜け防止モード: しかし 1 は中心位置の誤差が少なく、面積の重なりも少ない トラッカー t t トラッカー t t 2 は中心位置エラーが高く、t 番目のフレームで領域オーバーラップする。
0.79
Therefore, minimum center location error indicates maximum area overlap for the fixed sized tracker is not true for the scaled tracker and performance measures: center location error and area pverlap individually can make ambiguous decision for the scaled tracker. したがって、最小中心位置誤差は、固定サイズトラッカの最大領域重なりがスケールドトラッカには当てはまらないことを示し、性能指標として、センター位置誤差とエリアpverlapは個別にスケールドトラッカに対して曖昧な判断を行うことができる。 0.73
2 is better than tracker T t 2はトラッカーT tより優れている 0.77
1 is better than tracker T t 1 はトラッカー T t より優れている 0.78
3.2 Example2: 1 and T t 3.2例2 1 および T t 0.77
g, height ht Here, we consider another simple example (see Figure 2). g 高さ ht ここで、別の単純な例を考える(図2参照)。 0.76
Suppose T t g (green colored rectangle) with center Ct g be the ground truth tracker at tth frame. 中心 Ct g を持つ T t g を t フレームにおける基底真理追跡器とする。 0.62
Again let T t 1 and width wt 2 be two trackers generated by two different (scaled object) tracking algorithms Alg1 and Alg2, respectively. T t 1 と幅 wt 2 を、それぞれ2つの異なる(スケールしたオブジェクト)追跡アルゴリズム Alg1 と Alg2 によって生成される2つのトラッカーとする。 0.74
Here, we also assume that the trackers T t 1 have same center location and width but different height (see Figure 2(a)). ここでは、トラッカーT t 1 が同じ中心位置と幅を持つが高さが異なると仮定する(図2(a)参照)。 0.74
Therefore, we 1 + ht. したがって、1 + ht である。 0.74
We also assume that have Ct また、Ctを仮定します。 0.56
1 (red colored rectangle) with center Ct 2, height ht 中央Ct2、高さhtの1(赤色)長方形 0.71
2 (pink colored rectangle) with center Ct 2(ピンク色の長方形)中心Ct 0.81
1, height ht 2 and width wt 1,高さht2及び幅wt 0.84
g and width wt g と width wt 0.84
1. Now let ht 1. それでは、ht 0.54
g and T t 1 and ht g と T t 1およびht 0.83
g = Ct g = wt g = Ct g = wt 0.42
g = ht g > ht g = ht g>ht。 0.42
1, wt 1,wt 0.76
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
5 Fig. 2 Example 2 - area overlap between ground truth tracker and tracker obtained by 5 図2-例2-地中真実トラッカーとトラッカーの重複領域 0.48
(a) Alg1 (b) Alg2. (a)alg1 (b)Alg2。 0.58
a b the trackers T t (see Figure 2(b)). あ b トラッカー T t (図2(b)参照)。 0.53
Therefore, we have Ct wt そのため ct wtは 0.57
g and T t g = wt g と T t g = wt 0.63
2 + wt. 2 have same center location and height but different width 2. 2+wtであった。 2は中心位置と高さは同じだが幅は異なる。 0.62
Now let 2 and wt さて、 2およびwt 0.65
g = Ct g > wt g = Ct g > wt 0.42
g = ht 2, ht g = ht 2・ht 0.39
Now area overlap (Et エリアオーバーラップ(Et) 0.55
) between ground truth tracker T t ) 地上の真理追跡装置T間 0.76
g and tracker T t g と Tracker T t 0.82
1 gen- A1 erated by Alg1 at tth frame, is calculated as 1元 A1 t フレームで Alg1 でエミュレートされ、計算される 0.54
Et A1 = g∩T t T t g∪T t T t など A1 = t t t t t t t t t t t の略。 0.44
1 1 = ht ht 1 1 =ht ht 0.41
1wt 1 gwt g 1wt 1 gwt g 0.49
= (ht g−ht)wt ht = (ht) g−ht)wt ht 0.41
gwt g g = 1 − ht gwt g g = 1 − ht 0.43
ht g . (7) ht g . (7) 0.42
Again area overlap (Et 再びエリアオーバーラップする(Et) 0.75
) between the ground truth tracker T t ) 地上の真理追跡装置T間 0.68
g and tracker T t 2 g と Tracker T t 2 0.83
A2 generated by Alg2 at tth frame, is calculated as A2 alg2が第tフレームで生成し、計算する。 0.54
Et A2 = g∩T t T t g∪T t T t など A2 = t t t t t t t t t t t の略。 0.44
2 2 = wt wt 2 2 =wt wt 0.39
2ht 2 ght g 2ht 2 ght g 0.49
= (wt g−wt)ht wt = (wt) g−wt)ht wt 0.41
ght g g = 1 − wt ght g g = 1 − wt 0.43
wt g . wt g である。 . 0.44
(8) Now center location errors Et C1 (8) センターロケーションエラーとc1 0.52
and Et C2 of the trackers T t およびEt C2 トラッカー T t の 0.74
1 and T t 2 at tth frame, 1 および T t tフレームで2。 0.73
respectively are calculated as since Ct それぞれを計算して ctから 0.71
g = Ct 1. g = ct 1 である。 0.83
since Ct g = Ct 2. ctから g = ct 2 である。 0.78
Now if, Et C1 さて、もし。 Et C1 0.54
Et C2 =(cid:13)(cid:13)Ct =(cid:13)(cid:13)Ct Et C2 =(cid:13)(cid:13)Ct =(cid:13)(cid:13)Ct 0.42
g − Ct 1 g − Ct g − Ct 1 g − Ct 0.43
2 (cid:13)(cid:13) = 0, (cid:13)(cid:13) = 0, 2 (cid:13)(cid:13) = 0, (cid:13)(cid:13) = 0 0.42
1 − ht ht g 1 − ht ht g 0.42
= 1 − wt wt g = 1 − wt wt g である。 0.44
⇒ ht wt = ht g wt g はっ。 wt = ht g wt g 0.38
, then Et C1 and Alg2 are equally good. , et c1 と alg2 も同様に良い。 0.62
= Et C2 . Therefore, this example shows that both these algorithms Alg1 =Et C2 . したがってこの例は、これらのアルゴリズムのalg1がどちらも 0.51
(9) (10) (11) (9) (10) (11) 0.43
英語(論文から抽出)日本語訳スコア
6 Ajoy Mondal 6 アホイ・モンダル(Ajoy Mondal) 0.42
a Fig. 3 Example 1 - area overlap between ground truth oriented tracker and fixed trackers obtained by あ 第3図 例1 - ground truth oriented tracker と fixed trackers の重なり 0.54
(a) Alg1 (b) Alg2. (a)alg1 (b)Alg2。 0.58
b c 4 Problems of Existing Evaluation Measures for Oriented Object Tracking b c オブジェクト指向物体追跡における既存評価対策の問題点 0.52
4.1 Example1: g, height ht 4.1例1 g 高さ ht 0.54
Here, we consider one example where the object is changing its orientation from one frame to another, but the trackers T1 and T2 generated by two different tracking algorithms Alg1 and Alg2, respectively are fixed. ここで、対象があるフレームから別のフレームに方向を変える例を考えるが、2つの異なるトラッキングアルゴリズムalg1とalg2によって生成されたトラッカーt1とt2は、それぞれ固定されている。 0.70
We assume that ground truth tracker (Tg) is not fixed i.e., it changes its orientation based on object orientation. 我々は、基底真理追跡器(Tg)が固定されていないと仮定する。 0.48
Suppose, in tth frame, the ground truth tracker T t g (green colored rectangle) with center Ct g, is look like as depicted in Figure 3(a). 図3(a)に示すように、tフレームにおいて、中心Ctgを有する基底真理追跡器T t g(緑色矩形)を図3(a)に示す。 0.77
After few number of frames, say in rth (t < r) frame, the object changes its orientation (assume with 90o). 数個のフレーム(例えば rth (t < r) フレーム)の後、対象は向きを変える(90o の場合)。 0.79
And the corresponding ground truth tracker T r g (green colored rectangle) with center Cr g in the rth frame can be look like as in Figures 3 そして、r番目のフレームに中心crgを有する対応する接地真理追跡装置trg(緑黒長方形)は、図3のように見え得る。 0.75
(b) and (c). Two different tracking algorithms (Alg1 and Alg2) generate two fixed sized trackers T r 1 (dotted red colored rectangle) with center Cr 1 and T r 2 (dotted pink colored rectangle) with center 2 in the rth frame are displayed in Figures 3 (b) (c)。 2つの異なるトラッキングアルゴリズム(alg1とalg2)は、中心cr1とtr2の2つの固定サイズのトラッカーtr1(dotted red colored rectangle)を生成し、その中心2を第3のフレームに表示する。 0.47
(b) and (c), Cr respectively. (b) (c) Crであった。 0.53
We also assume that Cr 2 = hr g また Cr 2 = hr g と仮定する。 0.83
1 & width wr 2 & width wr 1&ワイドwr2&ワイドwr 0.56
1 , height hr 2 , height hr 1 高さ hr 2 高さ hr 0.72
g and width wt g と width wt 0.84
g , height hr g and width wr g ハイト hr g and width wr 0.44
1 = wr g = Cr 1 = wr g = Cr 0.43
1 , Cr g < Cr 1 , Cr g < cr である。 0.47
2 , hr 1 = hr 2,hr。 1 = hr 0.41
2 = w2 2 = w2 である。 0.56
g, wr g,wr 0.39
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
7 and Cr and hr 2 = Cr g = hg 7 crとhrは 2 = Cr g = hg 0.47
g + αr. g + αr である。 0.66
We also assume that wr 2 + hr. また、wr 2 + hr と仮定する。 0.71
1 = wr g + wr, hr 1 = wr g + wr, hr 0.43
g = hg 1 + hr, wr g = hg 1 + hr, wr 0.43
2 = wr g + wr 2 = wr g + wr 0.42
Now area overlap (Er A1 エリアオーバーラップ (Er A1) 0.75
) between ground truth tracker T r ) 地上の真理追跡器Tr間 0.75
g and tracker T r 1 gen- gとトラッカーtr 1元 0.56
erated by Alg1 at the rth frame, is calculated as r番目のフレームでalg1で消去すると 0.51
Again area overlap (Er A2 エリアオーバーラップ (er a2) 0.74
generated by Alg2 at the rth frame, is calculated as r番目のフレームでalg2が生成し、計算する。 0.64
Er A1 = = hr エルa1 = = hr 0.47
1 wr 1 g ∩T r T r g ∪T r T r 1 wr hr g g +hr 1 wr +hrwr g 1 wr 1 hr g g +hr 1 wr +hrwr g
訳抜け防止モード: 1 wr 1 対訳 hr g g g g g g g g g +hr1wr+hrwrg
0.45
1 . (12) ) between the ground truth tracker T r 1 . (12) ) 地上の真理追跡器Tr間 0.49
g and tracker T r 2 g と tracker t r 2 0.83
Et A2 = = = など A2 = = = 0.44
hr 2 wr hr hr 2 wr hr 0.43
1 wr 2 2 g ∩T r T r g ∪T r T r hr 2 wr g g +hr 2 wr +hrwr g hr 1 wr g g +hr 1 wr +hrwr g 1 wr 2 2 g, T hr 2 wr g +hr 2 wr +hrwr g hr 1 wr g +hr 1 wr +hrwr g
訳抜け防止モード: 1 wr 2 2 g {\displaystyle g} は g {\displaystyle g} である。 + hr 2 wr + hrwr g hr 1 wr g g +hr1wr+hrwrg
0.49
, (13) of the trackers T r , (13) 追跡装置のt r 0.45
1 and T r 2 at the rth 1とTr rthで2位。 0.51
since hr 1 = hr hr以来 1 = hr 0.40
2 and wr 1 = wr 2. 2 と wr 1 = wr 2 である。 0.82
Now center location errors Er C1 センターロケーションエラー er c1 0.69
frame, respectively are calculated as フレームはそれぞれ、計算される 0.79
and Er C2 =(cid:13)(cid:13)Cr とEr C2 =(cid:13)(cid:13)Cr 0.64
g − Cr 1 (cid:13)(cid:13) g − Cr 1 (cid:13)(cid:13) 0.41
Er C1 = 0, Er C1 = 0 である。 0.74
since Cr g = Cr 1 . Cr以来 g = cr 1 である。 0.74
=(cid:13)(cid:13)Cr =(cid:13)(cid:13)Cr =(cid:13)(cid:13)Cr =(cid:13)(cid:13)Cr 0.40
Er C2 g − (Cr Er C2 g − (Cr) 0.46
(cid:13)(cid:13) g + αr)(cid:13)(cid:13) (cid:13)(cid:13) g + αr)(cid:13)(cid:13) 0.38
g − Cr 2 = αr, g − Cr 2 αr である。 0.47
(14) (15) since Cr (14) (15) Cr以来 0.52
2 = Cr g + αr. 2=Cr g + αr である。 0.52
< Er C2 = Er A1 <Er C2 =ErA1 0.39
, i.e., the tracker T r 、すなわち、トラッカー T r である。 0.61
Eqs. (12) and (13) conclude that Er A2 eqsだ (12)と(13)はEr A2と結論する 0.75
1 at tth frame are equally good. Tフレームの1は等しく良いです。 0.71
On the other hand, Eqs. (14) and (15) conclude that 1 has lesser center location error than the tracker T r Er 2 C1 at the rth frame. 一方、Eqs。 (14)および(15)は、1が第rフレームのトラッカーTr Er2C1よりも中心位置誤差が少ないと結論付ける。 0.62
If we consider center location error as a performance measure then 2 at the rth frame. 中心位置誤差を性能測度として考えると、r フレームで 2 となる。 0.74
If we consider area the tracker T r overlap as a performance measure then both the trackers T r 2 are equally good at the tth frame. 性能指標としてトラッカtrが重なり合う領域を考えると、トラッカtr2はt番目のフレームでも等しく良好である。 0.60
If we consider both these measures no decision can be made. これらの措置がどちらも考慮すれば、決定はできない。 0.70
Therefore, minimum center location error indicates maximum area overlap for the fixed sized tracker is not true for the oriented object and performance measures individually can make ambiguous decision for the oriented object. したがって、最小中心位置誤差は、固定サイズトラッカーの最大面積重なりが指向対象に対して正しくないことを示し、個別に目的対象に対してあいまいな判断をすることができる。 0.76
1 is better than the tracker T r 1はトラッカーTrより優れている 0.66
, i.e., both trackers T r 、すなわち、両方のトラッカーTr 0.58
1 and T r 2 and T r 1とTr 2 と t r 0.54
4.2 Example2: Here, we consider another simple example (see Figure 4). 4.2 例2: ここでは、別の単純な例を考える(図4参照)。 0.71
Suppose T t g (green colored rectangle) with center Ct r = 45o be the ground truth tracker at the tth frame is displayed in Figure 4(a). 図4(a)に、中心Ct r = 45oのT t g(緑色矩形)を、第tフレームの接地真理追跡器とする。 0.71
After few number of frames, the object changes its orientation and the corresponding ground truth 少数のフレームの後、オブジェクトはその向きと対応する基底真理を変化させる 0.82
g, height ht g, width wt g 高さ ht g 幅 wt 0.65
g and θt g と θt 0.92
英語(論文から抽出)日本語訳スコア
8 Ajoy Mondal 8 アホイ・モンダル(Ajoy Mondal) 0.42
a Fig. 4 Example 2 - area overlap between ground truth oriented tracker and oriented trackers obtained by あ 図4-例2-地平線指向トラッカーと地平線追跡器の重複領域 0.57
(a) Alg1 (b) Alg2. (a)alg1 (b)Alg2。 0.58
b c tracker is also oriented based on object orientation. b c trackerはまた、オブジェクト指向に基づいています。 0.52
Let T r g (green colored rectg and θr = 0o be ground truth tracker angle) with center Cr 1 , height hr at the rth frame. T r g (緑の正方形とθr = 0o を地上の真理追跡角) とし、中心 Cr 1 , 高さ hr をr フレームとする。 0.83
Again let T r 1, width wr 2 (pink colored rectangle) with center 2 = 45o be two trackers generated by two Cr different (oriented object) tracking algorithms Alg1 and Alg2 and are displayed in Figures 4 T r 1 の幅 wr 2 (ピンク色の矩形) を中心 2 = 45o の2つの Cr 異なる(オブジェクト指向の)追跡アルゴリズム Alg1 と Alg2 で生成された2つのトラッカーとし、図 4 に示す。 0.81
(b) and (c), respectively. (b) (c)であった。 0.47
1 (red colored rectangle) with center Cr 中心Crの1(赤色)長方形 0.64
1 & orientation θr 2 & orientation θr 1と向き θr 2および配向θr 0.87
1 = 135o and T r 1 = 135o と T r 0.95
2 , height hr g , height hr 2, 身長hr。 g ハイト hr 0.60
2, width wr g, width wr 2幅wr g 幅 wr 0.41
Here, we also assume that the trackers T r ここでは、トラッカー T r も仮定する。 0.57
width, height but different orientation (see Figure 4 幅、高さ、方向が異なる(図4参照) 0.83
(b)). Therefore, we have Cr Cr that the trackers T r orientation (see Figure 4 (b)。 したがって、トラッカー T r の向きが Cr Cr となる(図 4 参照)。 0.51
(c)). Therefore, we have Cr g (cid:54)= θr θr (c)。 したがって Cr g (cid:54) = θr θr となる。 0.53
1 have same center location, g = g + 135o. 1 は g = g + 135o と同じ中心位置を持つ。 0.83
We also assume 2 have same center location, height, width but different 2 and 2 が同じ中心位置、高さ、幅だが 2 と 2 が異なると仮定する。 0.71
1. Now let θr 2. Now let θr 1. θr を 2. θr を 0.63
g (cid:54)= θr g (cid:54)= θr 0.41
g and T r 1 and θr g と T r 1およびθr 0.87
g and T r g + 45o. g と T r g+45o。 0.63
g = Cr 2 , hr g = Cr 2,hr。 0.41
2, wr g = wr 2 wr g = wr 0.35
1 = θr g = hr 1 = θr g = hr 0.45
1 , wr g = wr 1 , wr g = wr 0.42
1, hr g = hr 1. hr g = hr 0.40
2 = θr This example concludes that two different oriented trackers have the same values for area overlap and center location error. 2 = θr この例は、2つの異なる向きのトラッカーが同じ値の領域重なりと中心位置誤差を持つと結論づける。 0.61
If we consider the existing performance measures: area overlap and center location error, then both these Alg1 and Alg2 are equally good. エリアオーバーラップと中心位置誤差という、既存のパフォーマンス対策を考えると、これらAlg1とAlg2はどちらも同等に良いです。 0.63
But for oriented object tracking, both these algorithms Alg1 and Alg2 provides different interpretations. しかし、オブジェクト指向オブジェクト追跡では、これらのアルゴリズムのalg1とalg2は異なる解釈を提供する。 0.60
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
9 5 Problems of Existing Evaluation Measure for Scaled and Oriented Object Tracking 9 大規模オブジェクト指向物体追跡のための既存評価尺度の問題点 0.54
5.1 Example1: a Fig. 5 Example 1- area overlap between ground truth scaled & oriented tracker and scaled & oriented trackers obtained by 5.1例1 あ 図5. 地中真理スケール・指向性トラッカーとスケール・指向性トラッカーの1-領域重複例 0.62
(a) Alg1 and (b) Alg2. (a)alg1及び (b)Alg2。 0.80
b c Here, we consider one example where object is changing its scale and orientation together from one frame to another and the trackers T1 and T2 generated by two different tracking algorithms Alg1 and Alg2, respectively are not fixed (i.e., both are changing their scale and orientation together based on object’s scale and orientation). b c ここで、オブジェクトが一つのフレームから別のフレームへとスケールと向きを変えている例と、2つの異なるトラッキングアルゴリズムであるalg1とalg2によって生成されたトラッカーt1とt2がそれぞれ固定されていない例を考える。
訳抜け防止モード: b c ここでは、一例を挙げる。 物体はスケールと向きを変えて そして、2つの異なる追跡アルゴリズムAlg1とAlg2によって生成されるトラッカーT1とT2 それぞれが固定されていない(すなわち、どちらもオブジェクトのスケールと向きに基づいて、そのスケールと向きを一緒に変更している)。
0.53
We assume that ground truth tracker (Tg) is not fixed i.e., it changes its scale and orientation based on object’s scale and orientation. 我々は、基底真理追跡器(Tg)が固定されていない、すなわち、対象のスケールと向きに基づいて、そのスケールと向きを変更すると仮定する。
訳抜け防止モード: 基底真理追跡器(Tg)が固定されていないと仮定する。 オブジェクトのスケールと向きに基づいて、スケールと向きを変えます。
0.75
We assume that at tth frame, the ground truth tracker (green colored rectangle) T t g with center Ct g, height ht g and orientation θgt = 0o is presented as in Figure 5(a). t フレームにおいて、中心 Ct g と高さ ht g と向き θgt = 0o を持つ基底真理追跡器(緑色矩形) T t g が図 5(a) のように表されると仮定する。 0.87
In the rth (r > t) frame, the object changes its scale and orientation jointly and the g with center Cr corresponding ground truth tracker (green colored rectangle) T r g , g = 90o is shown in both Figures 5 rth (r > t) フレームでは、オブジェクトはスケールと向きを共同で変更し、g と中心 cr に対応する接地真理トラッカー t r g , g = 90o を両図 5 に示す。
訳抜け防止モード: rth (r > t ) フレームにおいて 物体はスケールと向きを共同で変えます そして、中心cr対応接地真理追跡装置(緑色長方形)trgを有するg。 g = 90o は両方の図 5 に示される。
0.82
(b) and (c). Here, height (hr (b) (c)。 height (複数形 heights) 0.43
g), width (wr g (複数形 gs) 0.56
g, width wt g) and θr g 幅 wt g) と θr 0.77
英語(論文から抽出)日本語訳スコア
10 Ajoy Mondal 10 アホイ・モンダル(Ajoy Mondal) 0.42
it is also assume that hr wr g = θt また hr wr g = θt と仮定する。 0.81
g + wr and θr g + wr と θr 0.98
g = wt g > ht g + 90o. g = wt g > ht g + 90o。 0.44
g and wr g > wt g and wr g > wt 0.43
g. Therefore, we have hr g. したがって、hrがある。 0.50
g = ht g + hr, g = ht g + hr である。 0.58
We assume that two different tracking algorithms generates two trackers T r 1 1 & orientation 2, width 2 = 90o) in Figure 5 図5において、2つの異なる追跡アルゴリズムがt r 1 1 と orientation 2, width 2 = 90o) を生成すると仮定する。 0.74
(b) and (c), respectively. (b) (c)であった。 0.47
Here, we also g, hr g +wr ここでも g, hr g +wr 0.69
(dotted red colored rectangle with center Cr 1 = 0o) and T r θr 2 and orientation θr wr assume that wr 1 = wr and hr > wr. (中心 Cr 1 = 0o) と T r θr 2 と向き θr wr は wr 1 = wr と hr > wr を仮定する。
訳抜け防止モード: (中央cr1=0oが点在する赤色長方形) t r θr 2 と向き θr wr は wr 1 = wr と hr > wr と仮定する。
0.89
2 (dotted pink colored rectangle with center Cr 2(中央cr付きピンク色の長方形) 0.72
g−wr, Cr 1 , height hr g-wr, Cr 1 、高さ hr 0.63
2 , height hr 1, width wr 2, 身長hr。 1幅wr 0.49
g−hr, hr 2 = Cr g-hr, hr 2=Cr 0.37
1 = Cr 2 = wr 1 = Cr 2 = wr 0.42
1 = hr g , Cr 1 = hr g,Cr 0.40
2 = hr g, wr 2 = hr g,wr 0.41
Area overlap for both the trackers T r 両方のトラッカーTrのエリアオーバーラップ 0.55
1 and T r 2 with ground truth tracker T r 1とTr 地上の真理追跡器Trによる2 0.50
g are calculated as and gは 計算すると そして 0.71
Er = A1 = wr 1 hr 1 wr g hr g Er = A1 = wr 1 hr 1 wr g hr g 0.46
1 g ∩T r T r g ∪T r T r 1 wr = 1 g=T=T=T=T=T=T=T 0.35
g(hr wr g−hr) g hr g g(hr wr) g-hr) g hr g 0.45
= 1 − hr hr g = 1 − hr hr g 0.42
Er = A2 = wr 2 hr 2 wr g hr g Er = A2 = wr 2 hr 2 wr g hr g 0.46
2 g ∩T r T r g ∪T r T r 2 g−wr) g(wr hr = g hr wr g 2 g (wr hr = g hr wr g) g (wr hr = g hr wr g) 0.38
= 1 − wr wr g = 1 − wr wr g 0.42
. (16) (17) . (16) (17) 0.43
Now center location errors Er C1 センターロケーションエラー er c1 0.69
respectively are calculated as and Er C2 それぞれを計算して とEr C2 0.79
for both the trackers T r 両方のトラッカー T r に対して 0.63
1 and T r 2 , Er C1 1およびT r2。 Er C1 0.51
= (cid:107)Cr = (cid:107)Cr 0.44
1 − Cr g(cid:107) = 0 1-Cr g(cid:107) = 0 0.37
and Er C2 = (cid:107)Cr そして Er C2 = (cid:107)Cr 0.53
2 − Cr g(cid:107) = (cid:107)Cr 2-Cr g(cid:107) = (cid:107)Cr 0.35
g + wr − Cr g + wr − Cr 0.43
g(cid:107) = wr. g(cid:107) = wr。 0.91
(18) (19) Now if hr hr g (18) (19) hr hr g の場合 0.50
= wr wr g , then Er A1 =wr wr g 、Er A1。 0.57
= wr wr g . =wr wr g . 0.40
This example highlights that two different trackers have different center location error but same amount of area overlap if hr . この例では、2つのトラッカーが中心位置の誤差が異なるが、hrの場合同じ面積が重なり合うことを強調する。
訳抜け防止モード: この例では 2つのトラッカーはセンター位置の誤差が異なるが、hrの場合同じ面積が重なり合う。
0.75
Therefore, in this example also, the existing performance measures hr g fail to evaluate quality of scaled and oriented object tracking algorithms. したがって、この例では、既存の性能測定値hrgは、スケールとオブジェクト指向のオブジェクト追跡アルゴリズムの品質評価に失敗する。 0.74
In the next section, we have developed three new auxiliary measures to quantify tracking algorithms in such complex environments. 次の節では,このような複雑な環境で追跡アルゴリズムを定量化するための補助手段を3つ開発した。 0.69
= Er A2 6 Proposed Performance Measures =ErA2 6 パフォーマンス対策の提案 0.60
Three new auxiliary evaluation measures namely error in estimated height of optimal tracker (Et w) and error in estimated orientation angle of optimal tracker (Et θ), respectively have been proposed to validate the tracking algorithms. 最適トラッカーの高さ推定における誤差(Et w)と最適トラッカーの方向角推定における誤差(Et θ)の3つの新しい補助的評価法を提案し,追跡アルゴリズムの検証を行った。 0.88
For the tth frame, these are calculated as t フレームについては、これらを計算します。 0.56
h), error in estimated width of optimal tracker(Et h) 最適トラッカーの推定幅の誤差(Et) 0.68
h = (cid:107)ht Et w = (cid:107)wt Et θ = (cid:107)θt Et h = (cid:107)ht Et w = (cid:107)wt Et θ = (cid:107)θt Et 0.45
g − ht(cid:107), g − wt(cid:107), g − θt(cid:107), g − ht(cid:107), g − wt(cid:107), g − θt(cid:107), 0.50
(20) (20) 0.43
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
11 g, wt g and θt 11 g、wt g と θt 0.68
where ht g are the actual height, width and orientation angle, respectively, and ht, wt and θt denote the estimated height, width and orientation angle for the tth frame, respectively. ht g が実際の高さ、幅、方向角であり、ht, wt, θt はそれぞれ、t フレームに対する推定高さ、幅、方向角を表す。 0.67
(cid:107). (cid:107)。 0.78
(cid:107) is the Euclidean norm. (cid:107)はユークリッドノルムである。 0.61
For a good tracking system, these three measures should be equal to zero. 良いトラッキングシステムでは、これらの3つの測度はゼロに等しいはずである。 0.65
Now, we define average error in estimated height of optimal tracker (Eavg 最適トラッカーの高さ推定における平均誤差を定義する(Eavg)。 0.75
average error in estimated width of optimal tracker (Eavg estimated orientation angle of optimal tracker (Eavg formances of tracking algorithms. 最適トラッカーの幅推定における平均誤差 (最適トラッカーの向き角推定) (追従アルゴリズムの形状推定) 0.75
These are calculated as これらは次のように計算される 0.41
θ h ), w ) and average error in ), to measure an overall per- θ h ) w ) と平均誤差 ( ) ) を総合的に測定する。 0.57
Eavg Eavg Eavg エヴグ・エヴグ(Eavg Eavg) 0.51
h = w = θ = h = w = θ = 0.42
1 Nf rames 1 Nf rames 1 Nfラマ 1 Nfラマ 0.36
1 Nf rames (cid:80)Nf rames (cid:80)Nf rames (cid:80)Nf rames 1 Nfラマ (cid:80)Nfラーム(cid:80)Nfラーム(cid:80)Nfラーム 0.47
t=1 t=1 t=1 である。 t=1 である。 0.31
t=1 Et h, Et w, Et θ, t=1 である。 Et h, Et w, Et θ, 0.37
(21) where Nf rames is the total number of frames of a video sequence. (21) Nfラームは、ビデオシーケンスのフレームの総数である。 0.52
For a good tracking system, Eavg 優れたトラッキングシステムのために、Eavg 0.76
should be equal to zero. 0 に等しいはずである。 0.77
w and Eavg h , Eavg w と Eavg h, Eavg 0.63
Another composite measure called as matching score (Et マッチングスコア(Et)という別の複合測度 0.78
ms) at the tth frame between ground truth tracker (T t g) and tracker (T t) generated by any tracking algorithm is proposed to evaluate performance of tracking algorithm under such complex environment. ms) において, 複雑な環境下での追跡アルゴリズムの性能を評価するために, 任意の追従アルゴリズムによって生成されるトラッカー (T t g) とトラッカー (T t) の間のtフレームについて提案した。 0.72
Three new proposed measures and two existing measures are combined to calculate matching score as 3つの新しい測度と2つの既存測度を組み合わせてマッチングスコアを計算した。 0.59
θ (cid:2)f t θ (cid:2)f t 0.43
(cid:3) , where (cid:3)。 どこに 0.64
Et ms = 1 5 など ms = 1 5 0.48
c + f t c + f t である。 0.68
h + f t h + f t である。 0.68
w + f t w + f t である。 0.66
θ + f t A f t c = 1 θ + f t A f t c = 1 0.42
1+Et c f t h = 1 1+Et c f t h = 1 0.39
1+Et h f t w = 1 1+Et h f t w = 1 0.39
1+Et w f t θ = 1 1+Et w f t θ = 1 0.39
1+Et θ A = Et f t A 1+et θ A = Et f t A 0.38
(22) (23) (24) (22) (23) (24) 0.43
(25) (26) (27) (25) (26) (27) 0.43
with Et Et (複数形 Ets) 0.20
C , Et h, Et w, Et cなど。 h など w など 0.55
θ and Et A are center location, height, width, orientation θ と Et aは中心の位置、高さ、幅、方向 0.83
errors and area overlap at tth frame, respectively. 誤差と面積はそれぞれ第tフレームで重なり合う。 0.64
Now we define average matching score (Eavg 平均マッチングスコアを定義します (Eavg) 0.77
ms ) to measure overall performance 総合的なパフォーマンスを測定するため 0.72
of tracking algorithm, is calculated as 追跡アルゴリズムの計算は 0.54
Eavg ms = エヴグ(Eavg) ms = 0.39
1 Nf rames (cid:80)Nf rames 1 Nfラマ (cid:80)nfラーム 0.49
t=1 Et t=1 である。 など 0.42
ms, (28) where Nf rames is the total number of frames of a video sequence. お嬢さん (28) Nfラームは、ビデオシーケンスのフレームの総数である。 0.48
For a good tracking system, Eavg 優れたトラッキングシステムのために、Eavg 0.76
ms should be equal to 1. ms は 1 に等しいはずである。 0.77
英語(論文から抽出)日本語訳スコア
12 Sequence Area Under The Curve (AUC): Success Plot↑ 12 シーケンス エリア・アンダー・ザ・カーブ(AUC):継承プロット 0.59
Ajoy Mondal アホイ・モンダル(Ajoy Mondal) 0.42
ANTASMSKCFLADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.666 0.473 0.565 0.693 Bag 0.591 0.629 0.448 0.686 Basketball 0.605 0.682 0.637 0.604 Blanket 0.203 0.376 0.489 0.308 Bmx 0.304 0.426 0.339 0.541 Book 0.303 0.601 0.428 0.498 Butterfly 0.414 0.411 0.298 0.377 Crabs1 0.619 0.399 0.352 0.438 Dinosaur 0.428 0.424 0.388 0.445 Fernando 0.399 0.483 0.327 0.396 Fish2 Girl 0.476 0.689 0.506 0.589 gymnastics2 0.377 0.452 0.529 0.436 0.456 0.471 0.489 0.406 hand helicopter 0.631 0.611 0.552 0.440 0.468 0.572 0.419 0.543 Iceskater2 Matrix 0.259 0.463 0.457 0.538 Motocross2 0.345 0.593 0.300 0.488 0.238 0.509 0.707 0.688 Shaking Soccer1 0.367 0.443 0.648 0.627 Traffic 0.630 0.458 0.766 0.658 Average over 60 sequences 0.439 0.508 0.482 0.520 ANTASMSKCFLADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.666 0.473 0.565 0.693 Bag 0.591 0.629 0.448 0.686 Basketball 0.605 0.682 0.637 0.604 Blanket 0.203 0.376 0.489 0.308 Bmx 0.304 0.426 0.339 0.541 Book 0.303 0.601 0.428 0.498 Butterfly 0.414 0.411 0.298 0.377 Crabs1 0.619 0.399 0.352 0.438 Dinosaur 0.428 0.424 0.388 0.445 Fernando 0.399 0.483 0.327 0.396 Fish2 Girl 0.476 0.689 0.506 0.589 gymnastics2 0.377 0.452 0.529 0.436 0.456 0.471 0.489 0.406 hand helicopter 0.631 0.611 0.552 0.440 0.468 0.572 0.419 0.543 Iceskater2 Matrix 0.259 0.463 0.457 0.538 Motocross2 0.345 0.593 0.300 0.488 0.238 0.509 0.707 0.688 Shaking Soccer1 0.367 0.443 0.648 0.627 Traffic 0.630 0.458 0.766 0.658 Average over 60 sequences 0.439 0.508 0.482 0.520 0.22
0.326 0.679 0.623 0.682 0.549 0.693 0.352 0.526 0.419 0.602 0.356 0.568 0.386 0.440 0.383 0.452 0.454 0.457 0.343 0.435 0.468 0.513 0.426 0.512 0.404 0.490 0.420 0.538 0.538 0.569 0.490 0.674 0.209 0.603 0.553 0.716 0.518 0.694 0.727 0.739 0.326 0.679 0.623 0.682 0.549 0.693 0.352 0.526 0.419 0.602 0.356 0.568 0.386 0.440 0.383 0.452 0.454 0.457 0.343 0.435 0.468 0.513 0.426 0.512 0.404 0.490 0.420 0.538 0.538 0.569 0.490 0.674 0.209 0.603 0.553 0.716 0.518 0.694 0.727 0.739 0.20
0.682 0.584 0.604 0.422 0.457 0.473 0.369 0.634 0.482 0.475 0.598 0.450 0.527 0.665 0.511 0.453 0.603 0.727 0.431 0.713 0.682 0.584 0.604 0.422 0.457 0.473 0.369 0.634 0.482 0.475 0.598 0.450 0.527 0.665 0.511 0.453 0.603 0.727 0.431 0.713 0.20
0.679 0.633 0.535 0.451 0.553 0.534 0.442 0.537 0.442 0.568 0.621 0.472 0.481 0.515 0.576 0.575 0.489 0.677 0.533 0.713 0.679 0.633 0.535 0.451 0.553 0.534 0.442 0.537 0.442 0.568 0.621 0.472 0.481 0.515 0.576 0.575 0.489 0.677 0.533 0.713 0.20
0.729 0.711 0.484 0.333 0.574 0.565 0.552 0.588 0.573 0.523 0.626 0.565 0.583 0.691 0.630 0.521 0.390 0.782 0.618 0.767 0.729 0.711 0.484 0.333 0.574 0.565 0.552 0.588 0.573 0.523 0.626 0.565 0.583 0.691 0.630 0.521 0.390 0.782 0.618 0.767 0.20
0.674 0.659 0.558 0.406 0.509 0.526 0.485 0.608 0.449 0.428 0.396 0.471 0.485 0.573 0.597 0.415 0.525 0.707 0.676 0.733 0.674 0.659 0.558 0.406 0.509 0.526 0.485 0.608 0.449 0.428 0.396 0.471 0.485 0.573 0.597 0.415 0.525 0.707 0.676 0.733 0.20
0.447 0.579 0.447 0.579 0.25
0.590 0.543 0.590 0.543 0.29
0.551 0.544 0.551 0.544 0.29
Table 1 Shows auc of the success plots of the existing measures. 表1は、既存の措置の成功計画の成果を示す。 0.75
The bold value indicates the best tracker. 大胆な値は最高のトラッカーを示します。 0.66
Sequence Area Under The Curve (AUC): Success Plot of Matching Score ↑ シーケンス 曲線下領域(auc):マッチングスコアのサクセスプロット。 0.61
ANTASMS KCF LADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.297 0.273 0.186 0.204 Bag 0.329 0.269 0.315 0.178 Basketball 0.358 0.406 0.328 0.337 Blanket 0.071 0.138 0.176 0.100 Bmx 0.296 0.144 0.234 0.184 Book 0.124 0.241 0.172 0.193 Butterfly 0.178 0.232 0.198 0.169 Crabs1 0.190 0.254 0.173 0.182 Dinosaur 0.166 0.177 0.156 0.149 Fernando 0.236 0.206 0.243 0.195 Fish2 0.250 Girl 0.211 0.323 0.216 gymnastics2 0.160 0.236 0.302 0.222 0.199 0.251 0.275 0.276 hand 0.222 0.328 0.302 0.254 helicopter 0.217 0.166 0.221 0.176 Iceskater2 0.285 Matrix 0.161 0.251 0.254 Motocross2 0.103 0.188 0.101 0.146 0.357 0.096 0.301 0.374 Shaking 0.308 0.186 0.229 0.349 Soccer1 Traffic 0.392 0.296 0.508 0.389 Average over 60 sequences 0.208 0.246 0.237 ANTASMS KCF LADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.297 0.273 0.186 0.204 Bag 0.329 0.269 0.315 0.178 Basketball 0.358 0.406 0.328 0.337 Blanket 0.071 0.138 0.176 0.100 Bmx 0.296 0.144 0.234 0.184 Book 0.124 0.241 0.172 0.193 Butterfly 0.178 0.232 0.198 0.169 Crabs1 0.190 0.254 0.173 0.182 Dinosaur 0.166 0.177 0.156 0.149 Fernando 0.236 0.206 0.243 0.195 Fish2 0.250 Girl 0.211 0.323 0.216 gymnastics2 0.160 0.236 0.302 0.222 0.199 0.251 0.275 0.276 hand 0.222 0.328 0.302 0.254 helicopter 0.217 0.166 0.221 0.176 Iceskater2 0.285 Matrix 0.161 0.251 0.254 Motocross2 0.103 0.188 0.101 0.146 0.357 0.096 0.301 0.374 Shaking 0.308 0.186 0.229 0.349 Soccer1 Traffic 0.392 0.296 0.508 0.389 Average over 60 sequences 0.208 0.246 0.237 0.22
0.142 0.295 0.308 0.329 0.273 0.374 0.125 0.173 0.220 0.318 0.148 0.220 0.190 0.192 0.183 0.217 0.193 0.184 0.236 0.239 0.210 0.214 0.231 0.286 0.212 0.250 0.197 0.277 0.236 0.247 0.251 0.353 0.091 0.189 0.220 0.321 0.236 0.369 0.434 0.471 0.142 0.295 0.308 0.329 0.273 0.374 0.125 0.173 0.220 0.318 0.148 0.220 0.190 0.192 0.183 0.217 0.193 0.184 0.236 0.239 0.210 0.214 0.231 0.286 0.212 0.250 0.197 0.277 0.236 0.247 0.251 0.353 0.091 0.189 0.220 0.321 0.236 0.369 0.434 0.471 0.20
0.294 0.261 0.309 0.154 0.246 0.188 0.159 0.292 0.171 0.233 0.247 0.244 0.288 0.389 0.211 0.224 0.203 0.364 0.209 0.469 0.294 0.261 0.309 0.154 0.246 0.188 0.159 0.292 0.171 0.233 0.247 0.244 0.288 0.389 0.211 0.224 0.203 0.364 0.209 0.469 0.20
0.277 0.307 0.277 0.151 0.326 0.209 0.209 0.239 0.169 0.299 0.258 0.258 0.259 0.235 0.242 0.295 0.157 0.293 0.265 0.467 0.277 0.307 0.277 0.151 0.326 0.209 0.209 0.239 0.169 0.299 0.258 0.258 0.259 0.235 0.242 0.295 0.157 0.293 0.265 0.467 0.20
0.376 0.374 0.244 0.110 0.322 0.241 0.263 0.261 0.219 0.299 0.284 0.259 0.338 0.369 0.274 0.268 0.116 0.417 0.314 0.519 0.376 0.374 0.244 0.110 0.322 0.241 0.263 0.261 0.219 0.299 0.284 0.259 0.338 0.369 0.274 0.268 0.116 0.417 0.314 0.519 0.20
0.295 0.327 0.318 0.144 0.287 0.209 0.209 0.275 0.162 0.210 0.195 0.282 0.279 0.319 0.260 0.209 0.163 0.360 0.340 0.504 0.295 0.327 0.318 0.144 0.287 0.209 0.209 0.275 0.162 0.210 0.195 0.282 0.279 0.319 0.260 0.209 0.163 0.360 0.340 0.504 0.20
0.217 0.276 0.217 0.276 0.25
0.294 0.246 0.294 0.246 0.29
0.258 0.259 0.258 0.259 0.29
0.268 Table 2 Shows auc of the success plots of new measure - matching score. 0.268 表2は、新しい測度の成功計画 - 一致するスコアを示す。 0.48
The bold value indicates the best tracker. 大胆な値は最高のトラッカーを示します。 0.66
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
13 To measure the performance of an algorithm on a sequence of frames, we count the number of successful frames whose matching score (Et ms) is larger than a given threshold value. 13 フレームのシーケンスにおけるアルゴリズムの性能を測定するために、一致するスコア(et ms)が与えられたしきい値よりも大きい成功したフレームの数をカウントする。 0.86
The matching score plot shows the ratios of successful frames at the thresholds varied from 0 to 1. 一致するスコアプロットは、0から1の閾値で成功したフレームの比率を示す。 0.72
The matching rate value at a specific threshold (e g , 0.5) may not always be a good representative for evaluating the trackers’ performance. 特定のしきい値(例えば0.5)でのマッチングレート値は、常にトラッカーのパフォーマンスを評価する良い代表であるとは限らない。 0.82
Instead of that, the area under the curve (auc) of each matching score plot is considered to evaluate the performance of the tracking algorithms. その代わりに、各マッチングスコアプロットの曲線(auc)下の領域は、追跡アルゴリズムの性能を評価するために考慮される。 0.77
7 Experiments 7.1 Dataset 実験7 7.1 データセット 0.66
We use entire vot-20181 [9] dataset for our experiments. 実験にはvot-20181[9]データセット全体を使用します。 0.70
vot-2018 dataset contains 60 video sequences. vot-2018データセットは60のビデオシーケンスを含む。 0.57
The target in the sequences is annotated by a rotated bounding box and all sequences are per-frame annotated by the following visual attributes: シーケンスのターゲットは回転したバウンディングボックスでアノテートされ、すべてのシーケンスは以下の視覚属性でアノテートされる。 0.66
(i) occlusion, occlusion (複数形occlusions) 0.35
(ii) illumination change, (iii) motion change, (II)照明変更 (iii)動きの変化。 0.69
(iv) size change, and (iv)サイズ変化、 0.65
(v) camera motion. (v)カメラの動き。 0.84
Frames that do not correspond to any of the five attributes are denoted as 5つの属性のいずれかに対応しないフレームは、 0.70
(vi) unassigned. All these complex factors make object tracking difficult on this dataset. (vi)未指定。 これらの複雑な要素は、このデータセットでオブジェクト追跡を困難にする。 0.71
If a tracker fails to track object in a frame, we reset the tracker to 0 (as oppose to vot protocol). トラッカーがフレーム内のオブジェクトを追跡できない場合、トラッカーを0にリセットします(votプロトコルとは対照的に)。 0.72
We only consider one-pass evaluation (ope) to draw the plots to compare performances of all the trackers with respect to both existing and the proposed measures. 提案手法と提案手法の双方について,トラッカー全体の性能を比較するために,プロットを描画するための1パス評価(ope)のみを検討する。
訳抜け防止モード: プロットの描画には1-パス評価(ope)のみを考慮する。 全てのトラッカーのパフォーマンスを 既存の対策と 提案した対策を比較します
0.73
7.2 Baselines 7.2 ベースライン 0.63
We use various state-of-the-art trackers on vot-2018 dataset such as ant1 [9], kcf2 [6], asms3 [14], updt [3], ladcf4 [16], meem5 [19], rco1 [9], sa-siam-r1 [9], sa-siam-p1 [9], and siamrpn [10] for our experiments. 実験にはant1 [9], kcf2 [6], asms3 [14], updt [3], ladcf4 [16], meem5 [19], rco1 [9], sa-siam-r1 [9], sa-siam-p1 [9], siamrpn [10] など,vot-2018データセットの最先端のトラッカを使用する。 0.91
Among them, sa-siam-r, sa-siam-p, and siamrpn apply siamese networks, ladcf, rco, kcf, and updt are developed based on discriminative correlation filters, asms applies mean shift, ant uses optical flow, and meem is based on support vector machine. これらのうち、sa-siam-r、sa-siam-p、siamrpnはシアメネットワーク、ladcf、rco、kcf、updtは識別相関フィルタ、asmsは平均シフト、antは光学フロー、meemは支持ベクトルマシンに基づいている。 0.53
7.3 Quantitative Results Analysis Tables 1 and 2 show auc of success plots of the existing measure and the proposed measure, respectively. 7.3 定量分析 表1と表2はそれぞれ、既存の尺度と提案された尺度の成功プロットを示す。 0.59
The bold value indicates the best tracker among the considered state-of-the-art trackers. 大胆な値は、最先端のトラッカーの中で最高のトラッカーを示す。 0.51
Tables 3, 4, and 5 present precision value at threshold 20 pixels, success rate at threshold 0.5 , and new success rate at threshold 0.5. 表3,4,5は、閾値20画素における精度値、閾値0.5における成功率、閾値0.5における新たな成功率を示す。 0.68
Bold values in the tables indicate the best trackers. テーブルの折りたたみ値は、最高のトラッカーを示しています。 0.56
According to auc of success plots of existing measures, SiamRPM performs the best on 10 sequences among randomly selected 20 sequences. 既存の測度の成功計画によると、SiamRPMはランダムに選択された20の列のうち10の列で最善を尽くしている。 0.53
In case of average of 60 sequences, SiamRPM also performs 平均60のシーケンスの場合、SiamRPMも実行します。 0.73
1 2 3 4 5 https://www.votchall enge.net/vot2018/dat aset.html 1 2 3 4 5 https://www.votchall enge.net/vot2018/dat aset.html 0.38
https://github.com/v ojirt/kcf https://github.com/v ojirt/kcf 0.20
https://github.com/v ojirt/asms https://github.com/v ojirt/asms 0.20
https://github.com/X U- TIANYANG/LADCF.git https://github.com/X U- TIANYANG/LADCF.git 0.18
http://www.cs.bu.edu /groups/ivc/software /MEEM/ http://www.cs.bu.edu /groups/ivc/software /MEEM/ 0.11
英語(論文から抽出)日本語訳スコア
14 Sequence Precision Value at Threshold 20 Pixels ↑ 14 シーケンス Threshold 20 Pixelsの精度値... 0.49
Ajoy Mondal アホイ・モンダル(Ajoy Mondal) 0.42
ANTASMS KCF LADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.995 0.995 0.607 0.474 0.526 Bag 0.990 0.934 0.941 0.538 0.989 Basketball 0.933 0.978 0.987 0.996 0.889 Blanket 0.158 0.263 0.237 0.316 0.237 Bmx 0.806 0.360 0.600 0.383 0.909 Book 0.669 0.523 0.291 0.907 0.318 Butterfly 0.806 0.363 0.381 0.713 0.250 Crabs1 0.985 0.684 0.715 0.248 0.267 Dinosaur 0.507 0.223 0.562 0.627 0.606 Fernando 0.855 0.761 0.571 0.845 0.258 Fish2 0.176 Girl 0.916 0.921 0.313 0.729 0.725 gymnastics2 0.329 0.683 0.736 0.688 0.978 0.719 0.697 0.933 0.873 hand 0.637 0.863 0.595 helicopter 0.472 0.675 0.829 0.521 0.402 0.454 0.266 Iceskater2 0.910 0.850 Matrix 0.480 0.770 0.650 0.197 0.066 Motocross2 0.098 0.148 0.00 0.995 0.939 0.660 0.488 0.858 Shaking Soccer1 0.513 0.515 0.865 0.918 0.959 Traffic 0.995 0.953 0.613 0.993 0.995 Average over 60 sequences 0.576 0.617 0.519 ANTASMS KCF LADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.995 0.995 0.607 0.474 0.526 Bag 0.990 0.934 0.941 0.538 0.989 Basketball 0.933 0.978 0.987 0.996 0.889 Blanket 0.158 0.263 0.237 0.316 0.237 Bmx 0.806 0.360 0.600 0.383 0.909 Book 0.669 0.523 0.291 0.907 0.318 Butterfly 0.806 0.363 0.381 0.713 0.250 Crabs1 0.985 0.684 0.715 0.248 0.267 Dinosaur 0.507 0.223 0.562 0.627 0.606 Fernando 0.855 0.761 0.571 0.845 0.258 Fish2 0.176 Girl 0.916 0.921 0.313 0.729 0.725 gymnastics2 0.329 0.683 0.736 0.688 0.978 0.719 0.697 0.933 0.873 hand 0.637 0.863 0.595 helicopter 0.472 0.675 0.829 0.521 0.402 0.454 0.266 Iceskater2 0.910 0.850 Matrix 0.480 0.770 0.650 0.197 0.066 Motocross2 0.098 0.148 0.00 0.995 0.939 0.660 0.488 0.858 Shaking Soccer1 0.513 0.515 0.865 0.918 0.959 Traffic 0.995 0.953 0.613 0.993 0.995 Average over 60 sequences 0.576 0.617 0.519 0.22
0.036 0.959 0.804 0.992 0.987 0.987 0.263 0.263 0.611 0.909 0.325 0.649 0.350 0.456 0.340 0.494 0.647 0.678 0.371 0.803 0.849 0.378 0.729 0.738 0.655 0.742 0.301 0.623 0.646 0.897 0.850 0.990 0.033 0.098 0.923 0.997 0.837 0.954 0.995 0.995 0.036 0.959 0.804 0.992 0.987 0.987 0.263 0.263 0.611 0.909 0.325 0.649 0.350 0.456 0.340 0.494 0.647 0.678 0.371 0.803 0.849 0.378 0.729 0.738 0.655 0.742 0.301 0.623 0.646 0.897 0.850 0.990 0.033 0.098 0.923 0.997 0.837 0.954 0.995 0.995 0.20
0.995 0.895 0.991 0.145 0.646 0.358 0.588 0.809 0.619 0.800 0.281 0.692 0.828 0.643 0.636 0.730 0.098 0.995 0.546 0.995 0.995 0.895 0.991 0.145 0.646 0.358 0.588 0.809 0.619 0.800 0.281 0.692 0.828 0.643 0.636 0.730 0.098 0.995 0.546 0.995 0.20
0.995 0.989 0.987 0.211 0.783 0.589 0.594 0.638 0.363 0.874 0.335 0.696 0.757 0.836 0.761 0.830 0.098 0.997 0.819 0.995 0.995 0.989 0.987 0.211 0.783 0.589 0.594 0.638 0.363 0.874 0.335 0.696 0.757 0.836 0.761 0.830 0.098 0.997 0.819 0.995 0.20
0.995 0.934 0.973 0.197 0.817 0.709 0.719 0.813 0.634 0.819 0.595 0.671 0.865 0.879 0.714 0.760 0.213 0.997 0.859 0.995 0.995 0.934 0.973 0.197 0.817 0.709 0.719 0.813 0.634 0.819 0.595 0.671 0.865 0.879 0.714 0.760 0.213 0.997 0.859 0.995 0.20
0.578 0.730 0.578 0.730 0.25
0.758 0.758 0.758 0.758 0.29
0.707 0.664 0.707 0.664 0.29
0.707 Table 3 Shows precision value at threshold (20 pixels). 0.707 表3はしきい値(20ピクセル)の精度を示す。 0.55
The bold value indicates the best tracker. 大胆な値は最高のトラッカーを示します。 0.66
Sequence Success Rate at Threshold 0.5 ↑ シーケンス Threshold 0.5 ^ における成功率 0.65
ANTASMSKCFLADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.888 0.444 0.796 0.949 Bag 0.805 0.849 0.366 0.934 Basketball 0.644 0.867 0.920 0.787 Blanket 0.118 0.224 0.487 0.197 Bmx 0.251 0.400 0.320 0.697 Book 0.159 0.795 0.258 0.490 Butterfly 0.325 0.313 0.150 0.200 Crabs1 0.899 0.328 0.288 0.420 Dinosaur 0.318 0.277 0.329 0.449 Fernando 0.419 0.555 0.216 0.239 Fish2 Girl 0.432 0.895 0.510 0.844 gymnastics2 0.336 0.438 0.596 0.421 0.367 0.494 0.543 0.255 hand 0.794 0.794 0.524 0.329 helicopter 0.414 0.743 0.393 0.648 Iceskater2 Matrix 0.150 0.520 0.580 0.620 Motocross2 0.098 0.836 0.246 0.459 0.022 0.551 0.858 0.997 Shaking 0.253 0.457 0.801 0.816 Soccer1 Traffic 0.895 0.576 0.974 0.921 Average over 60 sequences 0.429 0.568 0.508 0.584 ANTASMSKCFLADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.888 0.444 0.796 0.949 Bag 0.805 0.849 0.366 0.934 Basketball 0.644 0.867 0.920 0.787 Blanket 0.118 0.224 0.487 0.197 Bmx 0.251 0.400 0.320 0.697 Book 0.159 0.795 0.258 0.490 Butterfly 0.325 0.313 0.150 0.200 Crabs1 0.899 0.328 0.288 0.420 Dinosaur 0.318 0.277 0.329 0.449 Fernando 0.419 0.555 0.216 0.239 Fish2 Girl 0.432 0.895 0.510 0.844 gymnastics2 0.336 0.438 0.596 0.421 0.367 0.494 0.543 0.255 hand 0.794 0.794 0.524 0.329 helicopter 0.414 0.743 0.393 0.648 Iceskater2 Matrix 0.150 0.520 0.580 0.620 Motocross2 0.098 0.836 0.246 0.459 0.022 0.551 0.858 0.997 Shaking 0.253 0.457 0.801 0.816 Soccer1 Traffic 0.895 0.576 0.974 0.921 Average over 60 sequences 0.429 0.568 0.508 0.584 0.22
0.077 0.888 0.906 0.966 0.760 0.942 0.263 0.579 0.463 0.789 0.166 0.755 0.286 0.363 0.316 0.515 0.445 0.455 0.323 0.281 0.382 0.560 0.404 0.471 0.337 0.566 0.463 0.523 0.648 0.685 0.560 0.880 0.0819 0.853 0.699 0.997 0.625 0.883 0.989 0.974 0.077 0.888 0.906 0.966 0.760 0.942 0.263 0.579 0.463 0.789 0.166 0.755 0.286 0.363 0.316 0.515 0.445 0.455 0.323 0.281 0.382 0.560 0.404 0.471 0.337 0.566 0.463 0.523 0.648 0.685 0.560 0.880 0.0819 0.853 0.699 0.997 0.625 0.883 0.989 0.974 0.20
0.868 0.775 0.827 0.355 0.568 0.424 0.150 0.776 0.466 0.481 0.867 0.429 0.581 0.773 0.569 0.500 0.869 0.984 0.431 0.958 0.868 0.775 0.827 0.355 0.568 0.424 0.150 0.776 0.466 0.481 0.867 0.429 0.581 0.773 0.569 0.500 0.869 0.984 0.431 0.958 0.20
0.893 0.847 0.667 0.316 0.703 0.702 0.344 0.571 0.390 0.665 0.911 0.429 0.487 0.486 0.704 0.740 0.574 0.981 0.561 0.927 0.893 0.847 0.667 0.316 0.703 0.702 0.344 0.571 0.390 0.665 0.911 0.429 0.487 0.486 0.704 0.740 0.574 0.981 0.561 0.927 0.20
0.995 0.942 0.418 0.197 0.731 0.609 0.706 0.782 0.688 0.623 0.811 0.629 0.764 0.870 0.785 0.580 0.164 0.975 0.793 0.969 0.995 0.942 0.418 0.197 0.731 0.609 0.706 0.782 0.688 0.623 0.811 0.629 0.764 0.870 0.785 0.580 0.164 0.975 0.793 0.969 0.20
0.949 0.899 0.778 0.342 0.669 0.616 0.544 0.822 0.404 0.365 0.153 0.433 0.487 0.605 0.765 0.240 0.623 0.981 0.875 0.974 0.949 0.899 0.778 0.342 0.669 0.616 0.544 0.822 0.404 0.365 0.153 0.433 0.487 0.605 0.765 0.240 0.623 0.981 0.875 0.974 0.20
0.459 0.696 0.459 0.696 0.25
0.702 0.632 0.702 0.632 0.29
0.645 0.626 0.645 0.626 0.29
Table 4 Shows success rate at threshold (0.5) in the success plot of the existing measure. 表4は、既存の措置の成功計画における成功率(0.5)を示す。 0.78
The bold value indicates the best tracker. 大胆な値は最高のトラッカーを示します。 0.66
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
15 Sequence New Success Rate at Threshold 0.5 ↑ 15 シーケンス Threshold 0.5 の新たな成功率 0.63
ANTASMS KCF LADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.077 0.066 0.015 0.005 Bag 0.123 0.052 0.095 0.023 Basketball 0.142 0.280 0.284 0.080 Blanket 0.000 0.000 0.026 0.013 Bmx 0.128 0.017 0.057 0.034 Book 0.007 0.007 0.013 0.007 Butterfly 0.013 0.069 0.019 0.031 Crabs1 0.015 0.043 0.034 0.065 Dinosaur 0.000 0.051 0.000 0.003 Fernando 0.100 0.081 0.048 0.100 Fish2 0.027 Girl 0.028 0.125 0.035 0.104 gymnastics2 0.000 0.113 0.213 0.034 0.059 0.105 0.154 hand 0.041 helicopter 0.189 0.138 0.095 0.013 0.002 0.013 0.007 Iceskater2 Matrix 0.160 0.020 0.120 0.150 Motocross2 0.000 0.000 0.016 0.000 0.167 Shaking Soccer1 0.117 Traffic 0.209 Average over 60 sequences 0.062 0.078 0.094 ANTASMS KCF LADCFMEEM RCO SA-Siam-PSA-Siam-RSi amRPNUPDT 0.077 0.066 0.015 0.005 Bag 0.123 0.052 0.095 0.023 Basketball 0.142 0.280 0.284 0.080 Blanket 0.000 0.000 0.026 0.013 Bmx 0.128 0.017 0.057 0.034 Book 0.007 0.007 0.013 0.007 Butterfly 0.013 0.069 0.019 0.031 Crabs1 0.015 0.043 0.034 0.065 Dinosaur 0.000 0.051 0.000 0.003 Fernando 0.100 0.081 0.048 0.100 Fish2 0.027 Girl 0.028 0.125 0.035 0.104 gymnastics2 0.000 0.113 0.213 0.034 0.059 0.105 0.154 hand 0.041 helicopter 0.189 0.138 0.095 0.013 0.002 0.013 0.007 Iceskater2 Matrix 0.160 0.020 0.120 0.150 Motocross2 0.000 0.000 0.016 0.000 0.167 Shaking Soccer1 0.117 Traffic 0.209 Average over 60 sequences 0.062 0.078 0.094 0.23
0.005 0.102 0.066 0.126 0.031 0.156 0.013 0.000 0.069 0.137 0.000 0.019 0.025 0.000 0.046 0.028 0.014 0.000 0.145 0.061 0.053 0.013 0.121 0.158 0.059 0.086 0.102 0.079 0.044 0.044 0.110 0.190 0.016 0.000 0.025 0.093 0.051 0.229 0.304 0.408 0.005 0.102 0.066 0.126 0.031 0.156 0.013 0.000 0.069 0.137 0.000 0.019 0.025 0.000 0.046 0.028 0.014 0.000 0.145 0.061 0.053 0.013 0.121 0.158 0.059 0.086 0.102 0.079 0.044 0.044 0.110 0.190 0.016 0.000 0.025 0.093 0.051 0.229 0.304 0.408 0.20
0.097 0.047 0.093 0.039 0.103 0.000 0.006 0.095 0.000 0.065 0.033 0.138 0.112 0.312 0.035 0.020 0.000 0.184 0.048 0.387 0.097 0.047 0.093 0.039 0.103 0.000 0.006 0.095 0.000 0.065 0.033 0.138 0.112 0.312 0.035 0.020 0.000 0.184 0.048 0.387 0.20
0.03 0.081 0.084 0.026 0.240 0.007 0.075 0.064 0.010 0.139 0.039 0.150 0.112 0.105 0.029 0.160 0.000 0.060 0.079 0.408 0.03 0.081 0.084 0.026 0.240 0.007 0.075 0.064 0.010 0.139 0.039 0.150 0.112 0.105 0.029 0.160 0.000 0.060 0.079 0.408 0.20
0.229 0.215 0.084 0.000 0.189 0.053 0.081 0.046 0.024 0.171 0.097 0.100 0.184 0.259 0.076 0.120 0.000 0.326 0.133 0.492 0.229 0.215 0.084 0.000 0.189 0.053 0.081 0.046 0.024 0.171 0.097 0.100 0.184 0.259 0.076 0.120 0.000 0.326 0.133 0.492 0.20
0.066 0.105 0.129 0.000 0.120 0.007 0.025 0.039 0.000 0.029 0.021 0.171 0.075 0.162 0.037 0.040 0.000 0.205 0.153 0.419 0.066 0.105 0.129 0.000 0.120 0.007 0.025 0.039 0.000 0.029 0.021 0.171 0.075 0.162 0.037 0.040 0.000 0.205 0.153 0.419 0.20
0.000 0.148 0.230 0.038 0.089 0.176 0.230 0.126 0.439 0.000 0.148 0.230 0.038 0.089 0.176 0.230 0.126 0.439 0.21
0.074 0.065 0.097 0.074 0.065 0.097 0.27
0.091 0.095 0.091 0.095 0.29
0.144 0.090 0.144 0.090 0.29
Table 5 Shows the success rate at threshold (0.5) in the success plots of the proposed measure — matching score. 表5は、提案した測度の成功プロットのしきい値(0.5)における成功率を示す。 0.88
The bold value indicates the best tracker. 大胆な値は最高のトラッカーを示します。 0.66
the best. SiamRPM obtains the best results for 11 sequences with respect to auc of success plots of the proposed measure — matching score. 最高だ SiamRPMは、提案した測度の成功プロット(一致スコア)に関する11のシーケンスの最良の結果を得る。 0.59
SiamRPM also performs the best with respect to auc in the average success plot of 60 sequences. siamrpmは60のシーケンスの平均成功プロットにおいて、aucに対して最善を尽くす。 0.64
7.4 Qualitative Results Analysis 7.4 質的結果分析 0.34
Figures 6, 7, 8, and 9 show the tracking results (selected few frames) of vot-2018 dataset obtained using the considered baselines — ant, asms, kcf, ladcf, meem, rco, sa-siam-p, sa-siam-r, siamrpn, and updt. 図6、7、8、9は、ant、asms、kcf、ladcf、meem、rco、sa-siam-p、sa-siam-r、siarpn、updtのベースラインを使用して得られたvot-2018データセットの追跡結果(数フレーム)を示している。 0.64
Object in Bag, Bmx, Book, Butterfly, Dinosaur, Fernando, Fish2, Gymnastics2, Hand, Iceskater2, and Motocross2 changes scale and orientation. Bag, Bmx, Book, Butterfly, Dinosaur, Fernando, Fish2, Gymnastics2, Hand, Iceskater2, Motocross2はスケールと向きを変える。 0.84
Basketball, Fish2, Girl, and Soccer1 sequences contain occlusions. バスケットボール、フィッシュ2、ガール、サッカー1はオクルージョンを含む。 0.72
Matrix and Shaking sequences under go illumination variation. ゴイルミネーション変動下におけるマトリクスと揺動列 0.76
Object changes its scale in Blanket, Crabs1, and Helicopter sequences. オブジェクトは、ブランケット、カニ1、ヘリコプターのシーケンスでスケールを変える。 0.68
For scaled and oriented object in the sequences such as Butterfly, Dinosaur, Fernando, Fish2, Gymnastics2, Hand, Iceskater2, and Motocross2, the trackers — sa-siam-p, sasiam-r, siamrpn, and updt performs better than other trackers. Butterfly、Dinosaur、Fernando、Fish2、Gymnastics2、Hand、Iceskater2、Motocross2のような配列のスケールおよび指向性オブジェクトでは、トラッカー(sa-siam-p、sasiam-r、siamrpn、updt)は他のトラッカーよりも優れている。 0.61
siamrpn, ant, rco, and sa-siam-r obtain robust tracking results on Basketball, Girl, Soccer1, and Fish2 sequences, respectively. siamrpn, ant, rco, sa-siam-rはそれぞれ, Basketball, Girl, Soccer1, Fish2配列の堅牢な追跡結果を得る。 0.76
7.5 Analysis of Precision and Success Plots 7.5 精度と成功率の解析 0.87
The success plot shows the ratio of successful frames at threshold varied from 0 to 1. 成功プロットは、0から1までの閾値で成功したフレームの比率を示す。 0.82
Sometimes, the success plots and the precision plots make a different conclusion 成功のプロットと正確さのプロットが違う結論を出すときもあります 0.68
英語(論文から抽出)日本語訳スコア
16 Ajoy Mondal 16 アホイ・モンダル(Ajoy Mondal) 0.42
Bag sequence バッグのシークエンス 0.47
Basketball sequence Blanket sequence バスケットボール ブランケットシーケンス 0.50
Bmx sequence Book sequence bmxシークエンス 書跡 0.40
Fig. 6 Illustrates the tracking results of ten state-of-the-art trackers on Bag, Basketball, Blanket, Bmx, Book, and Butterfly sequences. 第6図は、バッグ、バスケットボール、ブランケット、bmx、ブック、バタフライの10の最先端トラッカーの追跡結果を示している。
訳抜け防止モード: 第6図 Bag 上の - アートトラッカーの 10 状態の追跡結果を図示します。 Basketball, Blanket, Bmx, Book, Butterfly のシーケンス。
0.80
Each colored rectangle corresponds to each tracker’s output. 各色の矩形は、各トラッカーの出力に対応する。 0.77
Butterfly sequence 蝶の配列 0.61
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
17 Crabs1 sequence 17 Crabs1 配列 0.59
Dinosaur sequence Fernando sequence 恐竜の配列 フェルナンド配列 0.62
Fish2 sequence Girl sequence 魚2列 女の子のシークエンス 0.63
Fig. 7 Illustrates the tracking results of ten state-of-the-art trackers on Crabs1, Dinosaur, Fernando, Fish2, Girl, and Gymnastics2 sequences. 第7図は、カニs1、恐竜、フェルナンド、フィッシュ2、ガール、体操2の10の最先端トラッカーの追跡結果を示している。
訳抜け防止モード: 第7図 Crabs1 上の 10 状態の -- アートトラッカーの追跡結果を図示します。 Dinosaur, Fernando, Fish2, Girl, Gymnastics2 配列
0.78
Each colored rectangle corresponds to each tracker’s output. 各色の矩形は、各トラッカーの出力に対応する。 0.77
Gymnastics2 sequence 体操2シークエンス 0.62
英語(論文から抽出)日本語訳スコア
18 Ajoy Mondal 18 アホイ・モンダル(Ajoy Mondal) 0.42
Hand sequence Helicopter sequence ハンドシーケンス ヘリコプターのシーケンス 0.68
Iceskater2 sequence Iceskater2 配列 0.75
Matrix sequence Motocross2 sequence マトリックス配列 Motocross2 配列 0.72
Fig. 8 Illustrates the tracking results of ten state-of-the-art trackers on Hand, Helicopter, Iceskater2, Matrix, Motocross2, and Shaking sequences. 第8図は、手、ヘリコプター、iceskater2、マトリクス、motocross2、揺動シーケンスの10の最先端トラッカーの追跡結果を示している。 0.70
Each colored rectangle corresponds to each tracker’s output. 各色の矩形は、各トラッカーの出力に対応する。 0.77
Shaking sequence 震動シーケンス 0.66
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
19 Soccer1 sequence 19 soccer1 シーケンス 0.58
Traffic sequence Fig. 9 Illustrates the tracking results of ten state-of-the-art trackers on Soccer1, and Traffic sequences. 交通順序 第9図 サッカー1における10の最先端トラッカーとトラフィックシーケンスの追跡結果を図示します。 0.54
Each colored rectangle corresponds to each tracker’s output. 各色の矩形は、各トラッカーの出力に対応する。 0.77
because they measure the tracker’s other characteristics based on various metrics. なぜなら、さまざまな指標に基づいてトラッカーの他の特性を測定するからです。 0.69
However, auc score of the success plot interprets the overall performance, which is more accurate than the center location error at the precision threshold value plot [15]. しかし、成功プロットのAucスコアは、精度しきい値プロットにおける中心位置誤差よりも精度の高い全体的な性能を解釈する[15]。 0.67
We analyze the tracker performance using auc score of success plot, precision plot, and new success plot. 我々は,成功プロットのAucスコア,精度プロット,新しい成功プロットを用いてトラッカー性能を分析する。 0.74
The tracker has a maximum auc score of the success plot indicates the best tracker. トラッカーは、成功プロットが最高のトラッカーを示す最大aucスコアを持っている。 0.68
Since vot-2018 dataset contains 60 video sequences, it is challenging to analyze the state-of-the-art trackers’ performances on every sequence. vot-2018データセットには60のビデオシーケンスが含まれているため、各シーケンスで最先端のトラッカーのパフォーマンスを分析するのは難しい。
訳抜け防止モード: vot-2018データセットには60のビデオシーケンスが含まれているため、難しい to analyze the state - of - the - art tracker ’ performance on every sequence.
0.67
For this, we randomly select few (20) video sequences to analyze the existing trackers’ performances based on auc of success, precision, and new success plots. このために、成功、正確さ、そして新しい成功プロットに基づいて、既存のトラッカーのパフォーマンスを分析するために、ランダムに少数の(20)ビデオシーケンスを選択します。 0.66
It is also challenging to analyze the trackers’ average performances over vot-2018 dataset, using three plots to correspond to each video sequence of this dataset. また、このデータセットの各ビデオシーケンスに対応する3つのプロットを使用して、vot-2018データセットに対するトラッカーの平均パフォーマンスを分析することも難しい。 0.69
For this reason, we use average success, precision, and new success plots over all sequences of this dataset. そのため、このデータセットのすべてのシーケンスに対して、平均的な成功、精度、新しい成功プロットを使用します。 0.68
We analyze the performances of the trackers based on average auc corresponds to these three plots. これら3つのプロットに対応する平均 auc に基づくトラッカの性能解析を行った。 0.78
Figures 10, 11, 12, and 13 present precision, success, and new success plots correspond to randomly selected video sequences — Bag, Basketball, Blanket, Bmx, Book, Butterfly, Crabs1, Dinosaur, Fish2, Fernando, Girl, Gymnastics2, Hand, Helicopter, Iceskater2, Matrix, Motocross2, Shaking, Soccer1, and Traffic of vot2018 dataset. 図10、11、12、13の精度、成功、そして新しい成功プロットはランダムに選択されたビデオシーケンスに対応している: Bag, Basketball, Blanket, Bmx, Book, Butterfly, Crabs1, Dinosaur, Fish2, Fernando, Girl, Gymnastics2, Hand, Helicopter, Iceskater2, Matrix, Motocross2, Shaking, Soccer1, Traffic of vot2018 data。 0.90
For these plots, we use auc score to summarize the performances of the trackers. これらのプロットでは、Aucスコアを使用してトラッカーのパフォーマンスを要約する。 0.54
Tables 1 and 2 highlight auc of the success plots of the existing measure and the proposed measure — matching score. 表1と2は、既存の測度の成功計画と提案された測度 ― 一致するスコア ― を強調します。 0.72
These tables also highlight the auc of average success plots over 60 sequences of vot-2018 dataset. これらの表はまた、vot-2018データセットの60列以上の平均的な成功プロットの公算も強調している。 0.51
Tables 3, 4, and 5 highlight the precision at threshold 20 pixels, success rate at threshold value 0.5. 表3,4,5は、閾値20ピクセルの精度、閾値0.5の成功率を強調している。 0.70
The precision and success plots make different conclusions for most of the se- 精度と成功プロットは、ほとんどのSeに対して異なる結論を下す 0.82
英語(論文から抽出)日本語訳スコア
20 Ajoy Mondal 20 アホイ・モンダル(Ajoy Mondal) 0.42
Precision Plot Success Plot 精度プロット 成功策 0.71
New Success Plot Bag sequence 新たな成功プラン バッグのシークエンス 0.61
Basketball sequence Blanket sequence バスケットボール ブランケットシーケンス 0.50
Bmx sequence Book sequence bmxシークエンス 書跡 0.40
Fig. 10 Illustrates the precision and success plots popularly used for evaluating a tracking algorithm and the success plot based on the proposed new measure - matching score of ten different methods on Bag, Basketball, Blanket, Bmx, Book, and Butterfly sequences. 図10は、Bag、Basketball、Blanket、Bmx、Book、Butterflyの10種類のメソッドのスコアをマッチングする、提案された新しい測定基準に基づいて、追跡アルゴリズムと成功プロットを評価するために一般的に使用される精度と成功プロットを図示する。
訳抜け防止モード: 第10図 一般に使用されている正確性及び成功プロットを図示する 追跡アルゴリズムを評価する そして、提案された新しい尺度に基づく成功プロット - Bag 上の10種類のメソッドの一致スコア。 Basketball, Blanket, Bmx, Book, Butterfly のシーケンス。
0.82
Each plot corresponds to one-pass evaluation (ope). 各プロットは one-pass evaluation (ope) に対応する。 0.71
Butterfly sequence 蝶の配列 0.61
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
21 Precision Plot Success Plot 21 精度プロット 成功策 0.61
New Success Plot Crabs1 sequence 新たな成功プラン Crabs1 配列 0.75
Dinosaur sequence Fernando sequence 恐竜の配列 フェルナンド配列 0.62
Fish2 sequence Girl sequence 魚2列 女の子のシークエンス 0.63
Fig. 11 Illustrates the precision and success plots popularly used for evaluating a tracking algorithm and the success plot based on the proposed new measure - matching score of ten different methods on Crabs1, Dinosaur, Fernando, Fish2, Girl, and Gymnastics2 sequences. 第11図 提案された新しい尺度に基づいて、追跡アルゴリズムと成功プロットを評価するためによく使われる精度と成功プロットを図示します。
訳抜け防止モード: 第11図 一般に使用されている正確性及び成功プロットを図示する 追跡アルゴリズムを評価する そして、提案された新しい尺度に基づく成功プロット - Crabs1上の10種類のメソッドの一致スコア。 Dinosaur, Fernando, Fish2, Girl, Gymnastics2 配列
0.80
Each plot corresponds to one-pass evaluation (ope). 各プロットは one-pass evaluation (ope) に対応する。 0.71
Gymnastics2 sequence 体操2シークエンス 0.62
英語(論文から抽出)日本語訳スコア
22 Ajoy Mondal 22 アホイ・モンダル(Ajoy Mondal) 0.42
Precision Plot Success Plot 精度プロット 成功策 0.71
New Success Plot Hand sequence 新たな成功プラン ハンドシーケンス 0.72
Helicopter sequence ヘリコプターのシーケンス 0.67
Iceskater2 sequence Iceskater2 配列 0.75
Matrix sequence Motocross2 sequence マトリックス配列 Motocross2 配列 0.72
Fig. 12 Illustrates the precision and success plots popularly used for evaluating a tracking algorithm and the success plot based on the proposed new measure - matching score of ten different methods on Hand, Helicopter, Iceskater2, Matrix, Motocross2, and Shaking sequences. 第12図 提案手法に基づく追跡アルゴリズムと成功プロットの評価に広く用いられている精度と成功プロットを図示する - ハンド,ヘリコプター,アイススケート2,マトリックス,モトクロス2,シェーキングの10種類のメソッドのスコアに一致させる。 0.80
Each plot corresponds to one-pass evaluation (ope). 各プロットは one-pass evaluation (ope) に対応する。 0.71
Shaking sequence 震動シーケンス 0.66
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
23 Precision Plot Success Plot 23 精度プロット 成功策 0.61
New Success Plot Soccer1 sequence 新たな成功プラン soccer1 シーケンス 0.74
Traffic sequence Fig. 13 Illustrates the precision and success plots popularly used for evaluating a tracking algorithm and the success plot based on the proposed new measure - matching score of ten different methods on Soccer1 and Traffic sequences. 交通順序 第13図は、サッカー1とトラヒックシーケンスにおける10の異なる方法のスコアをマッチングする新しい尺度に基づいて、追跡アルゴリズムと成功プロットの評価に広く用いられている精度と成功プロットを示す。 0.60
Each plot corresponds to one-pass evaluation (ope). 各プロットは one-pass evaluation (ope) に対応する。 0.71
Traffic sequence quences of vot-2018 dataset. 交通順序 vot-2018データセットのquences。 0.48
We make unique conclusion using new success plots of the proposed measure - matching score. 提案手法の新たな成功計画(マッチングスコア)を用いて独自の結論を導いた。 0.63
8 Conclusions In this paper, we propose a new measure - matching score to better quantify a tracker for tracking scaled and oriented objects. 8 結論 本稿では,スケールや指向オブジェクトを追跡するトラッカをより定量化するために,スコアをマッチングする新しい尺度を提案する。 0.75
The proposed measure - matching score is a combination of two existing measures and three new measures. 提案手法は既存の2つの尺度と3つの新しい尺度を組み合わせたものである。 0.70
For some sequences containing scaled and oriented objects, two existing measures make two different remarks. スケールされたオブジェクトと向き付けられたオブジェクトを含むいくつかのシーケンスに対して、2つの既存の測度は2つの異なる記述をする。 0.45
It is very difficult to make a conclusion from these remarks. これらの発言から結論を出すのは非常に難しい。 0.64
On the other hand, the proposed measure makes a concrete remark which highlights the best tracker. 一方,提案手法では,最高のトラッカーを強調した具体的な発言を行う。 0.62
The sufficient examples and results conclude that the proposed measure is more accurate than the existing one to quantify a tracker for tracking scaled and oriented objects. 十分な実例と結果から,提案手法は既存の測度よりも精度が高く,拡張対象や指向対象の追跡のためのトラッカーを定量化する。 0.76
英語(論文から抽出)日本語訳スコア
24 Ajoy Mondal 24 アホイ・モンダル(Ajoy Mondal) 0.42
9 Compliance with Ethical Standards 9.1 Conflict of Interest 9 倫理基準の遵守 9.1 利害対立 0.76
All authors declare that they have no conflicts of interest. すべての著者は興味の衝突がないと宣言する。 0.67
9.2 Ethical Approval This article does no contain any studies with human participants or animals performed by any of the authors. 9.2 倫理的承認 この記事は、著者による人間の参加者や動物に関する研究は一切含んでいません。 0.67
References 1. Babenko, B., Yang, M., Belongie, S. 参考文献 1.babenko, b., yang, m., belongie, s. 0.50
: Robust object tracking with online multiple instance learning. オンライン複数インスタンス学習によるロバストオブジェクト追跡 0.65
IEEE Transactions on Pattern Analysis and Machine Intelligence 33(8), 1619– 1632 (2011) 2 IEEE Transactions on Pattern Analysis and Machine Intelligence 33(8), 1619–1632 (2011) 2 0.42
2. Baumann, A., Boltz, M., Ebling, J., Koenig, M., Loos, H.S., Merkel, M., Niem, W., Warzelhan, J.K., Yu, J. 2) Baumann, A., Boltz, M., Ebling, J., Koenig, M., Loos, H.S., Merkel, M., Niem, W., Warzelhan, J.K., Yu, J。 0.92
: A review and comparison of measures for automatic video surveillance systems. ビデオ自動監視システムにおける対策の見直しと比較 0.65
EURASIP Journal on Image and Video Processing 2008(824726), 1–30 (2008) EURASIP Journal on Image and Video Processing 2008 (824726), 1–30 (2008) 0.45
2 3. Bhat, G., Johnander, J., Danelljan, M., Shahbaz Khan, F., Felsberg, M. 2. Bhat, G., Johnander, J., Danelljan, M., Shahbaz Khan, F., Felsberg, M。 0.78
: Unveiling the power of deep tracking. 深部追跡の力を明らかにすること。 0.58
In: Proceedings of the European Conference on Computer Vision (ECCV), pp. 483–498 (2018) 13 In: Proceedings of the European Conference on Computer Vision (ECCV), pp. 483-498 (2018) 13 0.43
4. ˇCehovin, L., Leonardis, A., Kristan, M. 4.Cehovin, L., Leonardis, A., Kristan, M。 0.81
: Visual object tracking performance measures 視覚的物体追跡性能測定 0.63
revisited. IEEE Transactions on Image Processing 25(3), 1261–1274 (2016) 2 再訪。 IEEE Transactions on Image Processing 25(3), 1261–1274 (2016) 2 0.36
5. Fiaz, M., Mahmood, A., Javed, S., Jung, S.K.: Handcrafted and deep trackers: Recent visual object tracking approaches and trends. 5. Fiaz, M., Mahmood, A., Javed, S., Jung, S.K.: Handcrafted and Deep Tracker: 最近のビジュアルオブジェクト追跡手法とトレンド。 0.85
ACM Computing Surveys (CSUR) 52(2), 43 (2019) 1 acmコンピューティングサーベイ(csur)52(2),43(2019) 1 0.64
6. Henriques, J.F., Caseiro, R., Martins, P., Batista, J. 6. Henriques, J.F., Caseiro, R., Martins, P., Batista, J. 0.47
: High-speed tracking with kernelized correlation filters. カーネル相関フィルタを用いた高速トラッキング 0.63
IEEE transactions on pattern analysis and machine intelligence 37(3), 583–596 (2014) 13 IEEEによるパターン解析とマシンインテリジェンス37(3), 583–596 (2014) 13 0.80
7. Henriques, J.F., Caseiro, R., Martins, P., Batista, J. 7. Henriques, J.F., Caseiro, R., Martins, P., Batista, J. 0.47
: High-speed tracking with kernelized correlation filters. カーネル相関フィルタを用いた高速トラッキング 0.63
IEEE Transactions on Pattern Analysis and Machine Intelligence 37(3), 583–596 (2015) 2 IEEE Transactions on Pattern Analysis and Machine Intelligence 37(3), 583–596 (2015) 2 0.45
8. Kasturi, R., Goldgof, D., Soundararajan, P., Manohar, V., Garofolo, J., Bowers, R., Boonstra, M., Korzhova, V., Zhang, J. 8. Kasturi, R., Goldgof, D., Soundararajan, P., Manohar, V., Garofolo, J., Bowers, R., Boonstra, M., Korzhova, V., Zhang, J。 0.84
: Framework for performance evaluation of face, text, and vehicle detection and tracking in video: Data, metrics and protocol. 映像における顔・テキスト・車両検出・追跡の性能評価のためのフレームワーク:データ,メトリクス,プロトコル。 0.74
IEEE Transactions on Pattern Analysis and Machine Intelligence 31(2), 319–336 (2009) 2 IEEE Transactions on Pattern Analysis and Machine Intelligence 31(2), 319–336 (2009) 2 0.45
9. Kristan, M., Leonardis, A., Matas, J., Felsberg, M., Pflugfelder, R., Cehovin Zajc, L., Vojir, T., Bhat, G., Lukezic, A., Eldesokey, A., et al : The sixth visual object tracking vot2018 challenge results. 9. kristan, m., leonardis, a., matas, j., felsberg, m., pflugfelder, r., cehovin zajc, l., vojir, t., bhat, g., lukezic, a., eldesokey, a., et al : the six visual object tracking vot2018 challenge results (英語)
訳抜け防止モード: 9 Kristan, M., Leonardis, A., Matas J., Felsberg, M., Pflugfelder, R., Cehovin Zajc L., Vojir, T., Bhat, G., Lukezic, A. Eldesokey, A., et al : 第6回ビジュアルオブジェクト追跡 vot2018 チャレンジ結果。
0.79
In: Proceedings of the European Conference on Computer Vision (ECCV), pp. 0–0. In: Proceedings of the European Conference on Computer Vision (ECCV), pp. 0–0。 0.43
Springer (2018) 13 Springer (2018) 13 0.43
10. Li, B., Yan, J., Wu, W., Zhu, Z., Hu, X. 10. Li, B., Yan, J., Wu, W., Zhu, Z., Hu, X 0.40
: High performance visual tracking with siamese region proposal network. : siamese region proposal networkを用いた高性能ビジュアルトラッキング 0.80
In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 8971–8980 (2018) 13 In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 8971–8980 (2018) 13
訳抜け防止モード: コンピュータビジョンとパターン認識に関するIEEE会議(CVPR)の開催報告 pp . 8971–8980 ( 2018 ) 13
0.70
11. Li, P., Wang, D., Wang, L., Lu, H. 11. li, p., wang, d., wang, l., lu, h. 0.35
: Deep visual tracking: Review and experimental com- 深部視覚追跡:レビューと実験com- 0.73
parison. Pattern Recognition 76, 323–338 (2018) 1 パリ。 パターン認識 76, 323–338 (2018) 1 0.65
12. Li, X., Hu, W., Shen, C., Zhang, Z., Dick, A., Hengel, A.V.D.: A survey of appearance models in visual object tracking. 12. Li, X., Hu, W., Shen, C., Zhang, Z., Dick, A., Hengel, A.V.D. : 視覚オブジェクト追跡における外観モデルの調査 0.90
ACM Transactions on Intelligent Systems and Technology 4(4), 1–58 (2013) 1 知的システム・技術におけるacm取引(4), 1-58 (2013) 1 0.73
13. Smeulders, A.W., Chu, D.M., Cucchiara, R., Calderara, S., Dehghan, A., Shah, M. 13.Smeulders, A.W., Chu, D.M., Cucchiara, R., Calderara, S., Dehghan, A., Shah, M. 0.49
: Visual tracking: An experimental survey. 視覚追跡:実験的調査。 0.64
IEEE Transactions on Pattern Analysis and Machine Intelligence 36(7), 1442–1468 (2014) 1 IEEE Transactions on Pattern Analysis and Machine Intelligence 36(7), 1442–1468 (2014) 1 0.45
14. Vojir, T., Noskova, J., Matas, J. 14. Vojir, T., Noskova, J., Matas, J. 0.42
: Robust scale-adaptive mean-shift for tracking. : 追跡のためのロバストなスケール適応平均シフト。 0.56
Pattern Recognition Letters 49, 250–258 (2014) 13 パターン 認識文字49,250-258 (2014) 13 0.83
英語(論文から抽出)日本語訳スコア
New Performance Measures for Object Tracking under Complex Environments 複雑な環境下における物体追跡のための新しい性能対策 0.65
25 15. Wu, Y., Lim, J., Yang, M.H.: Online object tracking: A benchmark. 25 15. Wu, Y., Lim, J., Yang, M.H.: オンラインオブジェクト追跡: ベンチマーク。 0.65
In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2411–2418. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2411–2418。 0.36
IEEE (2013) 1, 2, 3, 19 IEEE (2013) 1, 2, 3, 19 0.42
16. Xu, T., Feng, Z.H., Wu, X.J., Kittler, J. 16.Xu,T.,Feng,Z.H.,W u,X.J.,Kittler,J. 0.39
: Learning adaptive discriminative correlation filters via temporal consistency preserving spatial feature selection for robust visual object tracking. 時間的一貫性による適応的判別相関フィルタの学習 : 頑健な視覚物体追跡のための空間的特徴選択 0.75
IEEE Transactions on Image Processing 28(11), 5596–5609 (2019) 13 IEEE Transactions on Image Processing 28(11), 5596–5609 (2019) 13 0.45
17. Yilmaz, A., Javed, O., Shah, M. 17.Yilmaz, A., Javed, O., Shah, M. 0.41
: Object tracking: a survey. ACM Computing Surveys 対象追跡:調査。 ACMコンピューティングサーベイ 0.56
38(4), 1264–1291 (2006) 1 38(4), 1264–1291 (2006) 1 0.46
18. Yin, F., Makris, D., Velastin, S.A.: Performance evaluation of object tracking algorithms. 18. Yin, F., Makris, D., Velastin, S.A.: 物体追跡アルゴリズムの性能評価 0.88
In: IEEE International Workshop on Performance Evaluation of Tracking and Surveillance, Rio De Janeiro, Brazil, pp. 1–25. In: IEEE International Workshop on Performance Evaluation of Tracking and Surveillance, Rio De Janeiro, Brazil, pp. 1–25。
訳抜け防止モード: IEEE International Workshop on Performance Evaluation of Tracking and Surveillance, リオデジャネイロ、ブラジル、p.1-25。
0.66
Citeseer (2007) 2 citeseer (2007 年) 2 0.77
19. Zhang, J., Ma, S., Sclaroff, S. 19.Zhang, J., Ma, S., Sclaroff, S. 0.40
: MEEM: robust tracking via multiple experts using entropy minimization. エントロピー最小化を用いた複数の専門家によるロバストトラッキング。 0.62
In: European conference on computer vision, pp. 188–203. In: European Conference on Computer Vision, pp. 188–203。 0.47
Springer (2014) 13 Springer (2014) 13 0.42
                                                   ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。