論文の概要: AFAT: Adaptive Failure-Aware Tracker for Robust Visual Object Tracking

• arxiv url: http://arxiv.org/abs/2005.13708v1
• Date: Wed, 27 May 2020 23:21:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:24:30.492580
• Title: AFAT: Adaptive Failure-Aware Tracker for Robust Visual Object Tracking
• Title（参考訳）: AFAT:ロバストなビジュアルオブジェクト追跡のための適応型障害対応トラッカー
• Authors: Tianyang Xu, Zhen-Hua Feng, Xiao-Jun Wu, Josef Kittler
• Abstract要約: Siameseのアプローチは近年、ビジュアルオブジェクト追跡において有望なパフォーマンスを実現している。 Siameseパラダイムは、オンライントラッキングタスクをモデル化するためにワンショット学習を使用し、トラッキングプロセスにおけるオンライン適応を妨げる。 本稿では,コンボリューショナルモジュールとLSTMモジュールをベースとしたフェールアウェアシステムを提案する。
• 参考スコア（独自算出の注目度）: 46.82222972389531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Siamese approaches have achieved promising performance in visual object tracking recently. The key to the success of Siamese trackers is to learn appearance-invariant feature embedding functions via pair-wise offline training on large-scale video datasets. However, the Siamese paradigm uses one-shot learning to model the online tracking task, which impedes online adaptation in the tracking process. Additionally, the uncertainty of an online tracking response is not measured, leading to the problem of ignoring potential failures. In this paper, we advocate online adaptation in the tracking stage. To this end, we propose a failure-aware system, realised by a Quality Prediction Network (QPN), based on convolutional and LSTM modules in the decision stage, enabling online reporting of potential tracking failures. Specifically, sequential response maps from previous successive frames as well as current frame are collected to predict the tracking confidence, realising spatio-temporal fusion in the decision level. In addition, we further provide an Adaptive Failure-Aware Tracker (AFAT) by combing the state-of-the-art Siamese trackers with our system. The experimental results obtained on standard benchmarking datasets demonstrate the effectiveness of the proposed failure-aware system and the merits of our AFAT tracker, with outstanding and balanced performance in both accuracy and speed.
• Abstract（参考訳）: Siameseアプローチは近年、ビジュアルオブジェクト追跡において有望なパフォーマンスを実現している。 Siameseトラッカーの成功の鍵は、大規模ビデオデータセットのペアワイズオフライントレーニングを通じて、外観不変の機能埋め込み関数を学ぶことである。 しかし、シームズパラダイムはワンショット学習を用いてオンライン追跡タスクをモデル化し、トラッキングプロセスにおけるオンライン適応を妨げる。 さらに、オンライン追跡応答の不確実性は測定されず、潜在的な失敗を無視する問題につながる。 本稿では,追跡段階におけるオンライン適応を提唱する。 そこで本研究では,畳み込みモジュールとlstmモジュールを用いた品質予測ネットワーク (qpn) によって実現された障害検出システムを提案する。 具体的には、過去の逐次フレームおよび現在のフレームからの逐次応答マップを収集して追跡信頼度を予測し、決定レベルでの時空間融合を実現する。 さらに,最先端のsiameseトラッカをシステムと組み合わせることで,afat(adaptive failure-aware tracker)も提供します。 標準ベンチマークデータセットで得られた実験結果は,提案した故障認識システムの有効性とAFATトラッカーの利点を示し,精度と速度の両面で優れた,バランスの取れた性能を示した。

関連論文リスト

• Robust Visual Tracking via Iterative Gradient Descent and Threshold Selection [4.978166837959101]
  本稿では, 誤差ベクトルがガウス-ラプラシアン分布に従えば, 良好な性能が得られる新しい線形回帰推定器を提案する。 さらに、IGDTSを生成トラッカーに拡張し、IGDTS距離を適用してサンプルとモデル間のずれを測定する。 いくつかの難解な画像列の実験結果から,提案したトラッカーは既存のトラッカーより優れていた。
  論文  参考訳（メタデータ） (2024-06-02T01:51:09Z)
• RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
  本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。 具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。 我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
  論文  参考訳（メタデータ） (2024-03-28T08:54:40Z)
• Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
  分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-04T13:39:43Z)
• Dynamic Template Selection Through Change Detection for Adaptive Siamese Tracking [7.662745552551165]
  単一オブジェクト追跡(SOT)は、ターゲットオブジェクトの外観の変化や変形のため、現実世界のアプリケーションでは難しい課題である。 本稿では,テンプレートの破損を防止し,動的サンプル選択とメモリ再生のための新しい手法を提案する。 提案手法は,モデル適応にオンライン学習を利用する任意のオブジェクト追跡アルゴリズムに組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-07T07:27:02Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• RSINet: Rotation-Scale Invariant Network for Online Visual Tracking [7.186849714896344]
  ほとんどのネットワークベースのトラッカーは、モデル更新なしで追跡処理を行い、ターゲット固有の変動を適応的に学習することができない。 本稿では、上記の問題に対処する新しい回転スケール不変ネットワーク(RSINet)を提案する。 我々のRSINetトラッカーは、ターゲット・ディトラクタ識別部とローテーション・スケール推定部から構成されており、ローテーションとスケールの知識は、エンドツーエンドでマルチタスク学習法によって明示的に学習することができる。 追加で、追跡モデルは適応的に最適化され、時空間エネルギー制御が更新され、モデル安定性と信頼性が保証され、高いトラッキングが保証される。
  論文  参考訳（メタデータ） (2020-11-18T08:19:14Z)
• Self-supervised Object Tracking with Cycle-consistent Siamese Networks [55.040249900677225]
  我々は、オブジェクト追跡のためのサイクル一貫性の自己監視フレームワークにおいて、エンドツーエンドのSiameseネットワークを利用する。 トラッキングフレームワークにシームズ領域の提案とマスク回帰ネットワークを統合することで,各フレームのアノテーションを使わずに,より高速で正確なトラッカーを学習できるようにすることを提案する。
  論文  参考訳（メタデータ） (2020-08-03T04:10:38Z)
• Unsupervised Deep Representation Learning for Real-Time Tracking [137.69689503237893]
  視覚追跡のための教師なし学習手法を提案する。 教師なし学習の動機は、ロバストなトラッカーが双方向トラッキングに有効であるべきだということです。 我々は,シームズ相関フィルタネットワーク上にフレームワークを構築し,教師なし学習を容易にするために,多フレーム検証方式とコスト感受性損失を提案する。
  論文  参考訳（メタデータ） (2020-07-22T08:23:12Z)

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。