論文の概要: MOTS: Multiple Object Tracking for General Categories Based On Few-Shot Method

• arxiv url: http://arxiv.org/abs/2005.09167v1
• Date: Tue, 19 May 2020 02:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 14:06:52.027074
• Title: MOTS: Multiple Object Tracking for General Categories Based On Few-Shot Method
• Title（参考訳）: MOTS:Few-Shot法による汎用カテゴリのための複数オブジェクト追跡
• Authors: Xixi Xu, Chao Lu, Liang Zhu, Xiangyang Xue, Guanxian Chen, Qi Guo, Yining Lin, Zhijian Zhao
• Abstract要約: MOTSと呼ばれる新しいマルチターゲットトラッキングシステムは、メトリクスに基づいているが、特定のカテゴリを追跡するには限られていない。 新たに構築されたTRACK-REIDデータセットにより、Fine-match Networkは31のカテゴリターゲットのマッチングを実行でき、さらには見当たらないカテゴリに一般化することもできる。
• 参考スコア（独自算出の注目度）: 38.009864162410615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most modern Multi-Object Tracking (MOT) systems typically apply REID-based paradigm to hold a balance between computational efficiency and performance. In the past few years, numerous attempts have been made to perfect the systems. Although they presented favorable performance, they were constrained to track specified category. Drawing on the ideas of few shot method, we pioneered a new multi-target tracking system, named MOTS, which is based on metrics but not limited to track specific category. It contains two stages in series: In the first stage, we design the self-Adaptive-matching module to perform simple targets matching, which can complete 88.76% assignments without sacrificing performance on MOT16 training set. In the second stage, a Fine-match Network was carefully designed for unmatched targets. With a newly built TRACK-REID data-set, the Fine-match Network can perform matching of 31 category targets, even generalizes to unseen categories.
• Abstract（参考訳）: 現代のマルチオブジェクト追跡(MOT)システムは通常、計算効率と性能のバランスをとるためにREIDベースのパラダイムを適用している。 過去数年間、システムを完成させるために多くの試みがなされてきた。 彼らは好成績を示したが、特定のカテゴリーの追跡に制限されていた。 少数ショット手法のアイデアに基づいて,MOTSと呼ばれる,特定のカテゴリの追跡に限らず,メトリクスに基づいた新しいマルチターゲットトラッキングシステムを開発した。 最初の段階では、mot16トレーニングセットのパフォーマンスを犠牲にすることなく88.76%の割り当てを完了できる単純なターゲットマッチングを実行する自己適応マッチングモジュールを設計します。 第2段階では、未整合ターゲットのためのファインマッチネットワークが慎重に設計された。 新たに構築されたTRACK-REIDデータセットにより、ファインマッチネットワークは31のカテゴリターゲットのマッチングを実行できる。

関連論文リスト

• Meta-UAD: A Meta-Learning Scheme for User-level Network Traffic Anomaly Detection [15.038762892493219]
  ユーザレベルのネットワークトラフィック異常検出のためのメタラーニング手法である textitMeta-UAD を提案する。 我々はCICFlowMeterを使って81のフローレベルの統計的特徴を抽出し、いくつかの無効な特徴を取り除く。 既存のモデルと比較すると,Meta-UADはF1スコアで15%から43%向上した。
  論文  参考訳（メタデータ） (2024-08-30T06:05:15Z)
• Multi-attention Associate Prediction Network for Visual Tracking [3.9628431811908533]
  分類回帰予測ネットワークは、いくつかの現代のディープトラッカーにおいて驚くべき成功を収めている。 分類と回帰タスクには固有の違いがあるため、特徴マッチングの要求にも反対の要求がある。 上記の問題に対処するために,マルチアテンションアソシエイト予測ネットワーク(MAPNet)を提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:18:58Z)
• Tracking Every Thing in the Wild [61.917043381836656]
  我々は,新しい測定基準であるTrack Every Thing Accuracy(TETA)を導入し,測定結果を3つのサブファクター(ローカライゼーション,アソシエーション,分類)に分割する。 実験の結果、TETAはトラッカーをより包括的に評価し、TETerはBDD100KとTAOに挑戦する大規模データセットを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2022-07-26T15:37:19Z)
• Event Classification with Multi-step Machine Learning [0.0]
  マルチステップ機械学習(ML)は、既知の中間推論目標を持つ接続されたサブタスクに編成される。 分散アーキテクチャサーチ(DARTS)と単一パスワンショットNAS(SPOS-NAS)をテストし、損失関数の構築を改善し、すべてのMLモデルをスムーズに学習する。 DARTSとSPOS-NASを最適化と選択、多段階機械学習システムとの接続として使用することにより、(1)高パフォーマンスモデルの組み合わせを迅速かつうまく選択でき、(2)グリッドサーチなどのベースラインアルゴリズムと整合性があることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T07:22:05Z)
• Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
  本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。 本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。 特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
  論文  参考訳（メタデータ） (2020-12-03T02:07:43Z)
• Online Multi-Object Tracking and Segmentation with GMPHD Filter and Mask-based Affinity Fusion [79.87371506464454]
  本稿では,インスタンス分割結果を入力として利用するMOTS法を提案する。 提案手法は,ガウス混合確率仮説密度 (GMPHD) フィルタ,階層型データアソシエーション (HDA) モデル,マスクベース親和性融合 (MAF) モデルに基づく。 2つの人気のあるMOTSデータセットの実験では、主要なモジュールがいくつかの改善点を示している。
  論文  参考訳（メタデータ） (2020-08-31T21:06:22Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• A Unified Object Motion and Affinity Model for Online Multi-Object Tracking [127.5229859255719]
  オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。 UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。 我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
  論文  参考訳（メタデータ） (2020-03-25T09:36:43Z)

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。