論文の概要: Exemplar Loss for Siamese Network in Visual Tracking
- arxiv url: http://arxiv.org/abs/2006.12987v2
- Date: Sun, 4 Oct 2020 02:29:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 22:55:17.111444
- Title: Exemplar Loss for Siamese Network in Visual Tracking
- Title(参考訳): 視覚追跡におけるsiameseネットワークのexemplar loss
- Authors: Shuo Chang, YiFan Zhang, Sai Huang, Yuanyuan Yao and Zhiyong Feng
- Abstract要約: シームズネットワークは、移動対象の軌道を推定する視覚的追跡のホットトピックである。
特徴モデルの識別性を高めるために,ロジスティックな損失と統合された新たな模範的損失を提案する。
- 参考スコア(独自算出の注目度): 16.640591838561622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual tracking plays an important role in perception system, which is a
crucial part of intelligent transportation. Recently, Siamese network is a hot
topic for visual tracking to estimate moving targets' trajectory, due to its
superior accuracy and simple framework. In general, Siamese tracking
algorithms, supervised by logistic loss and triplet loss, increase the value of
inner product between exemplar template and positive sample while reduce the
value of inner product with background sample. However, the distractors from
different exemplars are not considered by mentioned loss functions, which limit
the feature models' discrimination. In this paper, a new exemplar loss
integrated with logistic loss is proposed to enhance the feature model's
discrimination by reducing inner products among exemplars. Without the bells
and whistles, the proposed algorithm outperforms the methods supervised by
logistic loss or triplet loss. Numerical results suggest that the newly
developed algorithm achieves comparable performance in public benchmarks.
- Abstract(参考訳): 視覚追跡は、知的輸送の重要な部分である知覚システムにおいて重要な役割を果たす。
近年、シアームネットワークは、精度が優れ、簡単なフレームワークであるため、移動目標の軌跡を視覚的に追跡することがホットな話題となっている。
一般に、シアーム追跡アルゴリズムはロジスティック損失と三重項損失によって管理され、背景サンプルで内積の価値を減少させながら、exemplarテンプレートと正サンプルの間の内積の価値を増加させる。
しかし, 特徴モデルの識別を制限した損失関数では, 異なる例からの注意散逸は考慮されない。
本稿では,ロジスティック損失と統合された新しい例題損失を提案し,例題間の内積の低減による特徴モデルの識別を強化する。
ベルとホイッスルがなければ、提案アルゴリズムはロジスティック損失や三重項損失によって監視される手法よりも優れている。
数値計算の結果, 新たに開発したアルゴリズムは, 公開ベンチマークで同等の性能が得られることが示唆された。
関連論文リスト
- Random Linear Projections Loss for Hyperplane-Based Optimization in
Neural Networks [25.11790930679232]
この研究はRandom Linear Projections (RLP)損失を導入し、これはデータ内の幾何学的関係を利用してトレーニング効率を向上させる新しいアプローチである。
ベンチマークデータセットと合成例を用いて実施した経験的評価では、従来の損失関数でトレーニングされたニューラルネットワークは、従来の損失関数でトレーニングされたニューラルネットワークよりも優れていたことが示されている。
論文 参考訳(メタデータ) (2023-11-21T05:22:39Z) - SiamTHN: Siamese Target Highlight Network for Visual Tracking [11.111738354621595]
シームズネットワークベースのトラッカーは、バックボーンネットワークによって生成された特徴マップ内の各チャネルを等しく扱う。
これらのトラッカーにおける分類と回帰分岐の間の構造的リンクはなく、2つの分岐はトレーニング中に個別に最適化される。
Target Highlight Moduleは、生成された類似性応答マップがターゲット領域にもっと焦点を合わせるのを助けるために提案されている。
論文 参考訳(メタデータ) (2023-03-22T04:33:02Z) - Positive-Negative Equal Contrastive Loss for Semantic Segmentation [8.664491798389662]
従来の作業では、グローバルコンテキストを効果的に抽出し集約するために、プラグアンドプレイモジュールと構造的損失を設計するのが一般的だった。
そこで我々は, 正負の負の正の負の負の正の負の正の負の正の負の負の負の正の負の負の正の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の
総合的な実験を行い、2つのベンチマークデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-07-04T13:51:29Z) - A Bayesian Detect to Track System for Robust Visual Object Tracking and
Semi-Supervised Model Learning [1.7268829007643391]
ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。
本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。
粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
論文 参考訳(メタデータ) (2022-05-05T00:18:57Z) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳(メタデータ) (2022-04-09T16:41:53Z) - Guided Point Contrastive Learning for Semi-supervised Point Cloud
Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。
近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文 参考訳(メタデータ) (2021-10-15T16:38:54Z) - Continuity-Discrimination Convolutional Neural Network for Visual Object
Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。
この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。
不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文 参考訳(メタデータ) (2021-04-18T06:35:03Z) - InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。
このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。
室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文 参考訳(メタデータ) (2021-04-06T18:52:45Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳(メタデータ) (2021-01-07T07:33:38Z) - A Weakly-Supervised Semantic Segmentation Approach based on the Centroid
Loss: Application to Quality Control and Inspection [6.101839518775968]
本稿では,新しい損失関数を用いた弱教師付きセマンティックセマンティックセマンティクス手法の提案と評価を行う。
アプローチのパフォーマンスは,2つの業界関連ケーススタディのデータセットに対して評価される。
論文 参考訳(メタデータ) (2020-10-26T09:08:21Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳(メタデータ) (2020-07-26T12:32:38Z)
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。