論文の概要: Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation

• arxiv url: http://arxiv.org/abs/2007.02024v2
• Date: Mon, 5 Apr 2021 10:50:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:28:35.313332
• Title: Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation
• Title（参考訳）: Alpha-Refine:精密バウンディングボックス推定によるトラッキング性能の向上
• Authors: Bin Yan, Dong Wang, Huchuan Lu, Xiaoyun Yang
• Abstract要約: そこで我々は,Alpha-Refineと呼ばれる新しい,フレキシブルで高精度な改良モジュールを提案する。 正確なピクセルワイド相関層と空間認識の非局所層を利用して特徴を融合させ、バウンディングボックス、コーナー、マスクの3つの相補的な出力を予測する。 提案するAlpha-Refineモジュールは,DiMP,ATOM,SiamRPN++,RTMDNet,ECOの5つの有名かつ最先端のベーストラッカーに適用する。
• 参考スコア（独自算出の注目度）: 87.53808756910452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the multiple-stage strategy has become a popular trend for visual tracking. This strategy first utilizes a base tracker to coarsely locate the target and then exploits a refinement module to obtain more accurate results. However, existing refinement modules suffer from the limited transferability and precision. In this work, we propose a novel, flexible and accurate refinement module called Alpha-Refine, which exploits a precise pixel-wise correlation layer together with a spatial-aware non-local layer to fuse features and can predict three complementary outputs: bounding box, corners and mask. To wisely choose the most adequate output, we also design a light-weight branch selector module. We apply the proposed Alpha-Refine module to five famous and state-of-the-art base trackers: DiMP, ATOM, SiamRPN++, RTMDNet and ECO. The comprehensive experiments on TrackingNet, LaSOT and VOT2018 benchmarks demonstrate that our approach significantly improves the tracking performance in comparison with other existing refinement methods. The source codes will be available at https://github.com/MasterBin-IIAU/AlphaRefine.
• Abstract（参考訳）: 近年では、多段階戦略がビジュアルトラッキングの流行となっている。 この戦略は、まずベーストラッカーを使用してターゲットを粗い位置決めを行い、次に改良モジュールを利用してより正確な結果を得る。 しかし、既存のリファインメントモジュールは、転送性と精度が制限されている。 本研究では,空間認識型非局所層と高精度な画素相関層を併用し,特徴を融合し,バウンディングボックス,コーナー,マスクの3つの補完的出力を予測できる,α-refineと呼ばれる新規でフレキシブルで高精度な改良モジュールを提案する。 最適出力を適切に選択するためには、軽量分岐セレクタモジュールも設計する。 提案するAlpha-Refineモジュールを,DiMP,ATOM,SiamRPN++,RTMDNet,ECOの5つの技術ベーストラッカーに適用する。 TrackingNet, LaSOT, VOT2018ベンチマークの総合的な実験により, 本手法は既存の改良手法と比較してトラッキング性能を著しく向上することが示された。 ソースコードはhttps://github.com/MasterBin-IIAU/AlphaRefineで入手できる。

関連論文リスト

• PointOBB-v3: Expanding Performance Boundaries of Single Point-Supervised Oriented Object Detection [65.84604846389624]
  我々は,より強力な単一点制御OODフレームワークであるPointOBB-v3を提案する。 追加のプリミティブなしで擬似回転ボックスを生成し、エンドツーエンドのパラダイムをサポートする。 本手法は従来の最先端手法と比較して3.56%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-01-23T18:18:15Z)
• Hierarchical IoU Tracking based on Interval [21.555469501789577]
  マルチオブジェクト追跡(MOT)は、フレーム間で与えられたクラスのすべてのターゲットを検出し、関連付けることを目的としている。 HITと呼ばれる階層型IoU追跡フレームワークを提案し、トラックレット間隔を先行として利用して階層型追跡を実現する。 提案手法は,MOT17,KITTI,DanceTrack,VisDroneの4つのデータセットに対して有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-06-19T07:03:18Z)
• Staged Depthwise Correlation and Feature Fusion for Siamese Object Tracking [0.6827423171182154]
  視覚的トラッキングのための特徴抽出をさらに最適化するために,DCFFNet という新たな段階的深度相関と特徴融合ネットワークを提案する。 シアムネットワークアーキテクチャに基づいてディープトラッカーを構築しており、複数の大規模データセットでゼロからトレーニングされたオフラインです。 OTB100,VOT2018,LaSOTなど,一般的なベンチマークにトラッカーを実装した。
  論文  参考訳（メタデータ） (2023-10-15T06:04:42Z)
• Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
  特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。 このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
  論文  参考訳（メタデータ） (2022-03-22T18:37:11Z)
• Learning Dynamic Compact Memory Embedding for Deformable Visual Object Tracking [82.34356879078955]
  本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。 DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
  論文  参考訳（メタデータ） (2021-11-23T03:07:12Z)
• Pyramid Correlation based Deep Hough Voting for Visual Object Tracking [16.080776515556686]
  我々は、ピラミド相関に基づくDeep Hough Voting(PCDHV用ショート)という、投票に基づく分類専用追跡アルゴリズムを提案する。 具体的には、埋め込み特徴に微細な局所構造と大域的空間的文脈を持たせるために、ピラミド相関モジュールを革新的に構築する。 精巧に設計されたDeep Hough Votingモジュールがさらに引き継ぎ、ピクセルの長距離依存を隅々まで知覚する。
  論文  参考訳（メタデータ） (2021-10-15T10:37:00Z)
• 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)
• MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
  本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。 このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。 実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
  論文  参考訳（メタデータ） (2020-08-27T13:04:27Z)

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。