論文の概要: Training-Set Distillation for Real-Time UAV Object Tracking

• arxiv url: http://arxiv.org/abs/2003.05326v1
• Date: Wed, 11 Mar 2020 14:28:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 14:49:02.186699
• Title: Training-Set Distillation for Real-Time UAV Object Tracking
• Title（参考訳）: リアルタイムUAV物体追跡のためのトレーニングセット蒸留
• Authors: Fan Li, Changhong Fu, Fuling Lin, Yiming Li, Peng Lu
• Abstract要約: 相関フィルタ(CF)は、最近無人航空機(UAV)の視覚的物体追跡において有望な性能を示した。 本研究では, フライ時のトレーニングセットの品質を効率よく, 効果的に最適化するための新しい時間スロット型蒸留法を提案する。 2つのよく知られたUAVベンチマークの総合的なテストは、我々の手法が1つのCPU上でリアルタイムな速度で有効であることを証明している。
• 参考スコア（独自算出の注目度）: 23.04319685796588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Correlation filter (CF) has recently exhibited promising performance in visual object tracking for unmanned aerial vehicle (UAV). Such online learning method heavily depends on the quality of the training-set, yet complicated aerial scenarios like occlusion or out of view can reduce its reliability. In this work, a novel time slot-based distillation approach is proposed to efficiently and effectively optimize the training-set's quality on the fly. A cooperative energy minimization function is established to score the historical samples adaptively. To accelerate the scoring process, frames with high confident tracking results are employed as the keyframes to divide the tracking process into multiple time slots. After the establishment of a new slot, the weighted fusion of the previous samples generates one key-sample, in order to reduce the number of samples to be scored. Besides, when the current time slot exceeds the maximum frame number, which can be scored, the sample with the lowest score will be discarded. Consequently, the training-set can be efficiently and reliably distilled. Comprehensive tests on two well-known UAV benchmarks prove the effectiveness of our method with real-time speed on a single CPU.
• Abstract（参考訳）: 相関フィルタ(CF)は近年,無人航空機(UAV)の視覚的物体追跡において有望な性能を示した。 このようなオンライン学習方法は、トレーニングセットの品質に大きく依存するが、閉塞や外見といった複雑な空中シナリオは、信頼性を低下させる可能性がある。 そこで本研究では,新しい時間スロット型蒸留法を提案し,実機におけるトレーニングセットの品質を効率的かつ効果的に最適化する。 履歴サンプルを適応的にスコア付けするために協調エネルギー最小化関数が確立される。 スコアリング処理を高速化するために、トラッキング処理を複数のタイムスロットに分割するキーフレームとして、信頼性の高いトラッキング結果のフレームを用いる。 新しいスロットが確立された後、前のサンプルの重み付けされた融合は、1つのキーサンプルを生成し、得点するサンプルの数を減らす。 また、現在のタイムスロットが最大フレーム数を超えると、最も低いスコアのサンプルを廃棄する。 これにより、トレーニングセットを効率よく確実に蒸留することができる。 2つのよく知られたUAVベンチマークの総合的なテストは、我々の手法が1つのCPU上でリアルタイムな速度で有効であることを証明している。

関連論文リスト

• Towards Discriminative Representations with Contrastive Instances for Real-Time UAV Tracking [5.557099240958562]
  識別相関フィルタ(DCF)ベースのトラッカーは、単一のCPU上で高い効率が得られるが、精度は劣る。 軽量ディープラーニング(DL)ベースのトラッカーは効率と精度のバランスが良いが,性能向上は圧縮速度によって制限される。 本稿では,新しい特徴学習の観点から特徴表現の識別力を高めることを目的とする。
  論文  参考訳（メタデータ） (2023-08-22T13:58:45Z)
• Learning Disentangled Representation with Mutual Information Maximization for Real-Time UAV Tracking [1.0541541376305243]
  本稿では,相互情報(DR-MIM)による不整合表現を利用して,UAV追跡の精度と効率を向上させる。 我々のDR-MIMトラッカーは最先端のUAVトラッカーよりも優れています。
  論文  参考訳（メタデータ） (2023-08-20T13:16:15Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• An Efficient Combinatorial Optimization Model Using Learning-to-Rank Distillation [2.0137632982900207]
  本稿では, 高速なランク付けポリシを非定型的, 簡易なモデルに抽出可能な, 学習からランク付けへの蒸留に基づくCOPフレームワークを提案する。 具体的には、近似されたランキング蒸留を用いて、勾配降下によるスコアベースランキングモデルを学習可能にする。 蒸留されたモデルは, それぞれの高性能RLに匹敵する性能を達成できるが, 数倍高速な推算も可能であることを実証する。
  論文  参考訳（メタデータ） (2021-12-24T10:52:47Z)
• Label, Verify, Correct: A Simple Few Shot Object Detection Method [93.84801062680786]
  トレーニングセットから高品質な擬似アノテーションを抽出するための簡単な擬似ラベリング手法を提案する。 擬似ラベリングプロセスの精度を向上させるための2つの新しい手法を提案する。 提案手法は,既存手法と比較して,最先端ないし第2の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-10T18:59:06Z)
• Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering [59.349057602266]
  変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。 内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。 FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
  論文  参考訳（メタデータ） (2021-09-13T08:31:59Z)
• Lite-FPN for Keypoint-based Monocular 3D Object Detection [18.03406686769539]
  keypointベースのモノクロ3dオブジェクト検出は、非常に進歩し、高い速度精度のトレードオフを達成した。 マルチスケール機能融合を実現する軽量機能ピラミッドネットワークLite-FPNを提案します。 提案手法は,高い精度とフレームレートを同時に達成する。
  論文  参考訳（メタデータ） (2021-05-01T14:44:31Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。