論文の概要: Hard Negative Samples Emphasis Tracker without Anchors

• arxiv url: http://arxiv.org/abs/2008.03512v1
• Date: Sat, 8 Aug 2020 12:38:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 12:05:31.337082
• Title: Hard Negative Samples Emphasis Tracker without Anchors
• Title（参考訳）: アンカーのない硬質負サンプル強調トラッカー
• Authors: Zhongzhou Zhang, Lei Zhang
• Abstract要約: 追跡段階における強陰性サンプルと追跡対象を区別する問題に対処する。 そこで我々は,Samese ネットワークがハード・ネガティブなサンプルを認識する特徴を学習することを制約する,シンプルで効率的なハード・ネガティブなサンプル強調手法を提案する。 また,新しいアンカーフリートラッキングフレームワークを画素ごとの予測方式で検討する。
• 参考スコア（独自算出の注目度）: 10.616828072065093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trackers based on Siamese network have shown tremendous success, because of their balance between accuracy and speed. Nevertheless, with tracking scenarios becoming more and more sophisticated, most existing Siamese-based approaches ignore the addressing of the problem that distinguishes the tracking target from hard negative samples in the tracking phase. The features learned by these networks lack of discrimination, which significantly weakens the robustness of Siamese-based trackers and leads to suboptimal performance. To address this issue, we propose a simple yet efficient hard negative samples emphasis method, which constrains Siamese network to learn features that are aware of hard negative samples and enhance the discrimination of embedding features. Through a distance constraint, we force to shorten the distance between exemplar vector and positive vectors, meanwhile, enlarge the distance between exemplar vector and hard negative vectors. Furthermore, we explore a novel anchor-free tracking framework in a per-pixel prediction fashion, which can significantly reduce the number of hyper-parameters and simplify the tracking process by taking full advantage of the representation of convolutional neural network. Extensive experiments on six standard benchmark datasets demonstrate that the proposed method can perform favorable results against state-of-the-art approaches.
• Abstract（参考訳）: siamese networkをベースとするトラッカーは、精度とスピードのバランスから、大きな成功を収めている。 それでも、トラッキングシナリオがより洗練されていくにつれて、既存のシームズベースのアプローチは、追跡フェーズのハードネガティブなサンプルとトラッカーターゲットを区別する問題の解決を無視している。 これらのネットワークで学んだ特徴は差別の欠如であり、これはシームズベースのトラッカーの堅牢性を著しく弱め、準最適性能をもたらす。 この問題に対処するため,提案手法は単純かつ効率的なハード・ネガティブ・サンプル強調法であり,ハード・ネガティブ・サンプルを意識した特徴を学習し,埋め込み機能の識別性を高める。 距離制約により, 外部ベクトルと正ベクトルとの間の距離を短くする一方で, 外部ベクトルと硬負ベクトルとの間の距離を縮めることを強制する。 さらに,新たなアンカーフリートラッキングフレームワークを画素単位の予測方式で検討し,畳み込みニューラルネットワークの表現を最大限に活用することにより,ハイパーパラメータの数を大幅に削減し,追跡プロセスを簡素化する。 6つの標準ベンチマークデータセットに関する広範囲な実験は、提案手法が最先端のアプローチに対して良好な結果をもたらすことを証明している。

関連論文リスト

• When Measures are Unreliable: Imperceptible Adversarial Perturbations toward Top-$k$ Multi-Label Learning [83.8758881342346]
  新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。 大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
  論文  参考訳（メタデータ） (2023-07-27T13:18:47Z)
• Adaptive Siamese Tracking with a Compact Latent Network [219.38172719948048]
  追跡タスクを分類に変換することで,シームズをベースとしたトラッカーを簡易化する直感的なビューを提供する。 そこで本研究では,視覚シミュレーションと実追跡例を用いて,詳細な解析を行う。 そこで我々は,古典的なSiamRPN++,SiamFC,SiamBANの3つのトラッカーを調整した。
  論文  参考訳（メタデータ） (2023-02-02T08:06:02Z)
• ShaSTA: Modeling Shape and Spatio-Temporal Affinities for 3D Multi-Object Tracking [25.093138732809738]
  マルチオブジェクトトラッキングは、あらゆるロボットシステムの基盤となる能力である。 検出器は、低い精度のリコールシステムで機能し、偽陽性の頻度を高い頻度で生成しながら、低い数の偽陰性を確実にする。 本研究では, 連続するフレーム間の形状と時間的親和性を学習し, 真陽性と偽陽性の検知とトラックの識別をより良くする手法を提案する。
  論文  参考訳（メタデータ） (2022-11-08T00:20:38Z)
• Siamese Prototypical Contrastive Learning [24.794022951873156]
  コントラスト型自己教師学習(Contrastive Self-supervised Learning, CSL)は、大規模データから意味のある視覚的表現を教師なしアプローチで学習する実践的ソリューションである。 本稿では,単純かつ効果的なコントラスト学習フレームワークを導入することで,この問題に対処する。 重要な洞察は、シアメスタイルのメートル法損失を用いて、原型間特徴間の距離を増大させながら、原型内特徴と一致させることである。
  論文  参考訳（メタデータ） (2022-08-18T13:25:30Z)
• Active Learning for Deep Visual Tracking [51.5063680734122]
  畳み込みニューラルネットワーク(CNN)は近年,単一目標追跡タスクに成功している。 本稿では,ディープ・ビジュアル・トラッキングのためのアクティブ・ラーニング手法を提案する。 アクティブラーニングの指導のもと、トレーニングされた深層CNNモデルに基づくトラッカーは、ラベリングコストを低減しつつ、競合的なトラッキング性能を達成することができる。
  論文  参考訳（メタデータ） (2021-10-17T11:47:56Z)
• Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
  本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。 本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
  論文  参考訳（メタデータ） (2021-05-18T15:51:24Z)
• Social NCE: Contrastive Learning of Socially-aware Motion Representations [87.82126838588279]
  実験結果から, 提案手法は最近の軌道予測, 行動クローニング, 強化学習アルゴリズムの衝突速度を劇的に低減することがわかった。 本手法は,ニューラルネットワークの設計に関する仮定をほとんど示さないため,神経運動モデルのロバスト性を促進する汎用的手法として使用できる。
  論文  参考訳（メタデータ） (2020-12-21T22:25:06Z)
• Robust Visual Tracking via Statistical Positive Sample Generation and Gradient Aware Learning [28.60114425270413]
  CNNベースのトラッカーは、複数のベンチマークデータセットで最先端のパフォーマンスを達成した。 統計的正のサンプル生成とグラディエント・アウェア・ラーニング(SPGA)によるロバストな追跡手法を提案する。 提案するSPGAは,いくつかの最先端トラッカーに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-11-09T09:14:58Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• M$^5$L: Multi-Modal Multi-Margin Metric Learning for RGBT Tracking [44.296318907168]
  RGBT追跡の過程で混乱するサンプルを分類することは難しい問題である。 RGBT追跡のためのM$5$Lという新しいマルチモーダルマルチマージンメトリックラーニングフレームワークを提案する。 我々のフレームワークは、追跡性能を向上し、最先端のRGBTトラッカーよりも優れています。
  論文  参考訳（メタデータ） (2020-03-17T11:37:56Z)

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。