論文の概要: Accurate Bounding-box Regression with Distance-IoU Loss for Visual Tracking

• arxiv url: http://arxiv.org/abs/2007.01864v4
• Date: Thu, 20 Jan 2022 02:43:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 05:45:54.990223
• Title: Accurate Bounding-box Regression with Distance-IoU Loss for Visual Tracking
• Title（参考訳）: 距離IoU損失を考慮したビジュアルトラッキングのための高精度境界箱回帰
• Authors: Di Yuan, Xiu Shu, Nana Fan, Xiaojun Chang, Qiao Liu and Zhenyu He
• Abstract要約: 提案手法は,最先端トラッカーと比較した場合の競合追跡精度を実現する。 目標推定部は、目標接地接地接地接地接地と推定接地接地接地接地とのDIoUスコアを予測するように訓練される。 我々は,リアルタイムトラッキング速度を保証するために,Conjugate-Gradientベースの戦略でオンラインにトレーニングし,最適化した分類部品を導入する。
• 参考スコア（独自算出の注目度）: 42.81230953342163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing trackers are based on using a classifier and multi-scale estimation to estimate the target state. Consequently, and as expected, trackers have become more stable while tracking accuracy has stagnated. While trackers adopt a maximum overlap method based on an intersection-over-union (IoU) loss to mitigate this problem, there are defects in the IoU loss itself, that make it impossible to continue to optimize the objective function when a given bounding box is completely contained within/without another bounding box; this makes it very challenging to accurately estimate the target state. Accordingly, in this paper, we address the above-mentioned problem by proposing a novel tracking method based on a distance-IoU (DIoU) loss, such that the proposed tracker consists of target estimation and target classification. The target estimation part is trained to predict the DIoU score between the target ground-truth bounding-box and the estimated bounding-box. The DIoU loss can maintain the advantage provided by the IoU loss while minimizing the distance between the center points of two bounding boxes, thereby making the target estimation more accurate. Moreover, we introduce a classification part that is trained online and optimized with a Conjugate-Gradient-based strategy to guarantee real-time tracking speed. Comprehensive experimental results demonstrate that the proposed method achieves competitive tracking accuracy when compared to state-of-the-art trackers while with a real-time tracking speed.
• Abstract（参考訳）: 既存のトラッカーのほとんどは、分類器とマルチスケール推定を用いて目標状態を推定する。 その結果,トラッカーの安定性が向上し,追跡精度が低下した。 この問題を解決するために、トラッカーはiou(intersection-over-union)損失に基づく最大重なり方式を採用しているが、iou損失自体には欠陥があり、与えられた境界ボックスが別の境界ボックスに完全に含まれている場合、目的関数を最適化し続けることが不可能である。 そこで本稿では,提案するトラッカーが対象推定と対象分類から構成されるように,距離IoU(DIoU)損失に基づく新たなトラッキング手法を提案することにより,上記の課題に対処する。 目標推定部は、目標接地境界箱と推定接地箱との間のDIoUスコアを予測するように訓練される。 DIoU損失は、2つのバウンディングボックスの中心点間の距離を最小化しつつ、IoU損失による利点を維持でき、目標推定をより正確にすることができる。 さらに,オンライン上で学習し,共役勾配に基づく戦略で最適化した分類部を導入することで,リアルタイム追跡速度を保証できる。 総合的な実験結果から,提案手法はリアルタイム追跡速度で最先端トラッカーと比較して,競合追跡精度が向上することを示した。

関連論文リスト

• 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)
• Multi-Ship Tracking by Robust Similarity metric [10.882525351991875]
  マルチシップ追跡(MST)は、海上での状況認識と自律船の航法システム開発に応用されることが証明されている。 歩行者や車両のデータセットに対するマルチオブジェクト追跡(MOT)アルゴリズムによって達成された驚くべき追跡結果にもかかわらず、これらのモデルとテクニックは、船舶のデータセットに適用した場合、パフォーマンスが劣っている。 本稿では,予測ボックスと検出ボックスの両方を囲む最小の凸形状を組み込むことで,IoUの弱点に対処する。
  論文  参考訳（メタデータ） (2023-10-08T14:05:10Z)
• SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
  本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。 トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。 検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-16T15:18:42Z)
• Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
  本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。 ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。 MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
  論文  参考訳（メタデータ） (2023-03-15T08:38:08Z)
• Video Annotation for Visual Tracking via Selection and Refinement [74.08109740917122]
  ビデオシーケンスのバウンディングボックスアノテーションを容易にするための新しいフレームワークを提案する。 目標位置の時間的コヒーレンスを捉えることのできる時間的アセスメントネットワークを提案する。 また、選択したトラッキング結果をさらに強化するために、ビジュアルジオメトリ・リファインメント・ネットワークが設計されている。
  論文  参考訳（メタデータ） (2021-08-09T05:56:47Z)
• 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)
• Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation [85.22775182688798]
  この研究はAlpha-Refineと呼ばれる新しい、柔軟で正確な改良モジュールを提案する。 これにより、ベーストラッカーのボックス推定品質が大幅に向上する。 TrackingNet, LaSOT, GOT-10K, VOT 2020 ベンチマークの実験では,我々のアプローチがベーストラッカのパフォーマンスを大幅に改善し,遅延がほとんどなかった。
  論文  参考訳（メタデータ） (2020-12-12T13:33:25Z)
• Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
  State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。 混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-18T19:51:53Z)
• A single target tracking algorithm based on Generative Adversarial Networks [0.0]
  閉塞防止機能を有する単一目標追跡アルゴリズムを提案する。 実際の性能では,アルゴリズムは隠蔽されたデータセットのターゲットの追跡に成功している。
  論文  参考訳（メタデータ） (2019-12-27T02:55:48Z)

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。