論文の概要: High-Performance Long-Term Tracking with Meta-Updater

• arxiv url: http://arxiv.org/abs/2004.00305v1
• Date: Wed, 1 Apr 2020 09:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 19:05:14.028038
• Title: High-Performance Long-Term Tracking with Meta-Updater
• Title（参考訳）: meta-updaterを用いた高性能長期追跡
• Authors: Kenan Dai, Yunhua Zhang, Dong Wang, Jianhua Li, Huchuan Lu, and Xiaoyun Yang
• Abstract要約: 短期的追跡よりも実用的に近いため、長期的視覚追跡が注目されている。 ほとんどのトップランクの長期トラッカーはオフラインでトレーニングされたSiameseアーキテクチャを採用しているため、オンライン更新による短期トラッカーの大きな進歩の恩恵を受けることはできない。 我々は、重要な問題に対処するために、オフラインでトレーニングされた新しいメタ更新器を提案する: トラッカーは、現在のフレームで更新する準備ができているか?
• 参考スコア（独自算出の注目度）: 75.80564183653274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term visual tracking has drawn increasing attention because it is much closer to practical applications than short-term tracking. Most top-ranked long-term trackers adopt the offline-trained Siamese architectures, thus, they cannot benefit from great progress of short-term trackers with online update. However, it is quite risky to straightforwardly introduce online-update-based trackers to solve the long-term problem, due to long-term uncertain and noisy observations. In this work, we propose a novel offline-trained Meta-Updater to address an important but unsolved problem: Is the tracker ready for updating in the current frame? The proposed meta-updater can effectively integrate geometric, discriminative, and appearance cues in a sequential manner, and then mine the sequential information with a designed cascaded LSTM module. Our meta-updater learns a binary output to guide the tracker's update and can be easily embedded into different trackers. This work also introduces a long-term tracking framework consisting of an online local tracker, an online verifier, a SiamRPN-based re-detector, and our meta-updater. Numerous experimental results on the VOT2018LT, VOT2019LT, OxUvALT, TLP, and LaSOT benchmarks show that our tracker performs remarkably better than other competing algorithms. Our project is available on the website: https://github.com/Daikenan/LTMU.
• Abstract（参考訳）: 短期追跡よりも実用的な用途に近いため、長期視覚追跡が注目されている。 ほとんどのトップクラスの長期追跡者はオフラインで訓練されたsiameseアーキテクチャを採用するため、オンラインアップデートによる短期追跡装置の大幅な進歩の恩恵を受けることはできない。 しかし、長期的な不確実でノイズの多い観測のため、オンライン更新ベースのトラッカーを簡単に導入することは極めて危険である。 そこで本研究では,重要だが未解決な問題に対処するために,オフラインで学習した新しいメタ更新器を提案する。 提案したメタアップダッタは, 幾何学的, 識別的, 外観的キューを逐次的に統合し, 設計したLSTMモジュールを用いてシーケンシャル情報をマイニングすることができる。 我々のメタアップダッタは、トラッカーの更新をガイドするバイナリ出力を学習し、異なるトラッカーに簡単に埋め込むことができる。 また、オンラインローカルトラッカー、オンライン検証器、SiamRPNベースの再検出器、および我々のメタアップダッタからなる長期追跡フレームワークを導入する。 VOT2018LT, VOT2019LT, OxUvALT, TLP, LaSOTベンチマークにおける多くの実験結果から, トラッカーは他の競合アルゴリズムよりもはるかに優れた性能を示した。 私たちのプロジェクトは、Webサイト(https://github.com/Daikenan/LTMU)で利用可能です。

関連論文リスト

• LITE: A Paradigm Shift in Multi-Object Tracking with Efficient ReID Feature Integration [0.3277163122167433]
  マルチオブジェクト追跡(MOT)手法として,軽量な統合的追跡機能抽出パラダイムが導入された。 推論、前処理、後処理、ReIDモデルのトレーニングコストを削減して、ReIDベースのトラッカーを強化する。
  論文  参考訳（メタデータ） (2024-09-06T11:05:12Z)
• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• Tracking with Human-Intent Reasoning [64.69229729784008]
  この作業では、新しいトラッキングタスクであるインストラクショントラッキングを提案している。 ビデオフレーム内で自動的にトラッキングを実行するようにトラッカーに要求する暗黙の追跡命令を提供する。 TrackGPTは複雑な推論ベースの追跡を行うことができる。
  論文  参考訳（メタデータ） (2023-12-29T03:22:18Z)
• CoTracker: It is Better to Track Together [70.63040730154984]
  CoTrackerは、長いビデオシーケンスで多数の2Dポイントを追跡するトランスフォーマーベースのモデルである。 関節トラッキングはトラッキング精度とロバスト性を大幅に改善し、CoTrackerはカメラビューの外側に隠された点や点を追跡することができる。
  論文  参考訳（メタデータ） (2023-07-14T21:13:04Z)
• Improving Siamese Based Trackers with Light or No Training through Multiple Templates and Temporal Network [0.0]
  我々は,シームズをベースとしたトラッカーに2つのアイデアを持つフレームワークを提案する。 i) ネットワークの再トレーニングの必要性を取り除く方法で、テンプレートの数を拡張すること。 (II) 地域情報とグローバル情報の両方に焦点をあてた新しいアーキテクチャを持つ軽量時間ネットワーク。
  論文  参考訳（メタデータ） (2022-11-24T22:07:33Z)
• Context-aware Visual Tracking with Joint Meta-updating [11.226947525556813]
  本稿では,シーケンス全体に沿った情報を活用することで,両ブランチを共同でメタ更新する,表現空間上のトラッカーを最適化するコンテキスト認識追跡モデルを提案する。 提案手法は,VOT2018におけるEAOスコアの0.514を40FPSの速度で達成し,基礎となるトラッカーの精度とロバスト性を向上できることを示す。
  論文  参考訳（メタデータ） (2022-04-04T14:16:00Z)
• Learning to Track Objects from Unlabeled Videos [63.149201681380305]
  本稿では,Unsupervised Single Object Tracker (USOT) をスクラッチから学習することを提案する。 教師なしトラッカーと教師なしトラッカーのギャップを狭めるために,3段階からなる効果的な教師なし学習手法を提案する。 実験の結果、未ラベルのビデオから得られたUSOTは、最先端の教師なしトラッカーよりも大きなマージンでうまく機能していることがわかった。
  論文  参考訳（メタデータ） (2021-08-28T22:10:06Z)
• LightTrack: Finding Lightweight Neural Networks for Object Tracking via One-Shot Architecture Search [104.84999119090887]
  ニューラルアーキテクチャサーチ(NAS)を用いて、より軽量で効率的なオブジェクトトラッカーを設計するLightTrackを提案する。 総合的な実験は、LightTrackが効果的であることを示している。 SiamRPN++やOceanといった手作りのSOTAトラッカーよりも優れたパフォーマンスを実現するトラッカーを見つけることができる。
  論文  参考訳（メタデータ） (2021-04-29T17:55:24Z)
• STMTrack: Template-free Visual Tracking with Space-time Memory Networks [42.06375415765325]
  テンプレート更新機構を持つ既存のトラッカーは、競争性能を達成するために、時間を要する数値最適化と複雑な手設計戦略に依存している。 本稿では,ターゲットに関する歴史的情報を十分に活用することのできる,時空メモリネットワーク上に構築した新しいトラッキングフレームワークを提案する。 具体的には、ターゲットの履歴情報を記憶して、トラッカーを現在のフレーム内の最も情報性の高い領域に集中させる新しい記憶機構を導入する。
  論文  参考訳（メタデータ） (2021-04-01T08:10:56Z)

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。