論文の概要: Robust Long-Term Object Tracking via Improved Discriminative Model Prediction

• arxiv url: http://arxiv.org/abs/2008.04722v2
• Date: Tue, 25 Aug 2020 15:37:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 11:55:28.502016
• Title: Robust Long-Term Object Tracking via Improved Discriminative Model Prediction
• Title（参考訳）: 識別モデルの改良によるロバスト長期物体追跡
• Authors: Seokeon Choi, Junhyun Lee, Yunsung Lee, Alexander Hauptmann
• Abstract要約: 本稿では,事前学習した短期トラッカーをベースとした,堅牢な長期追跡のための識別モデル予測手法を提案する。 提案手法は,最先端の長期トラッカーに匹敵する性能を実現する。
• 参考スコア（独自算出の注目度）: 77.72450371348016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an improved discriminative model prediction method for robust long-term tracking based on a pre-trained short-term tracker. The baseline pre-trained short-term tracker is SuperDiMP which combines the bounding-box regressor of PrDiMP with the standard DiMP classifier. Our tracker RLT-DiMP improves SuperDiMP in the following three aspects: (1) Uncertainty reduction using random erasing: To make our model robust, we exploit an agreement from multiple images after erasing random small rectangular areas as a certainty. And then, we correct the tracking state of our model accordingly. (2) Random search with spatio-temporal constraints: we propose a robust random search method with a score penalty applied to prevent the problem of sudden detection at a distance. (3) Background augmentation for more discriminative feature learning: We augment various backgrounds that are not included in the search area to train a more robust model in the background clutter. In experiments on the VOT-LT2020 benchmark dataset, the proposed method achieves comparable performance to the state-of-the-art long-term trackers. The source code is available at: https://github.com/bismex/RLT-DIMP.
• Abstract（参考訳）: 本稿では,事前学習した短期追跡者に基づくロバストな長期追跡のための識別モデル予測法を提案する。 ベースライン事前訓練された短期トラッカーはSuperDiMPであり、PrDiMPのバウンディングボックス回帰器と標準DiMP分類器を組み合わせたものである。 トラッカーRLT-DiMPは,(1)ランダム消去による不確かさの低減:モデルを堅牢にするために,ランダムな小さな長方形領域を確実に消去した後,複数の画像からの合意を有効活用する。 そして、それに従って、モデルの追跡状態を補正します。 2) 時空間制約のあるランダム探索について, 遠方での突発的検出問題を防止するために, スコアペナルティを適用した頑健なランダム探索法を提案する。 (3) より差別的な特徴学習のための背景強化: 探索領域に含まれない様々な背景を増強し, 背景クラッタのより堅牢なモデルを訓練する。 VOT-LT2020ベンチマークデータセットの実験では、提案手法は最先端の長期トラッカーに匹敵する性能を実現する。 ソースコードはhttps://github.com/bismex/rlt-dimp。

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)
• 3DMOTFormer: Graph Transformer for Online 3D Multi-Object Tracking [15.330384668966806]
  最先端の3Dマルチオブジェクト追跡(MOT)アプローチは通常、Kalman Filterのような非学習モデルベースのアルゴリズムに依存している。 本稿では3DMOTFormerを提案する。この3D MOTフレームワークはトランスフォーマーアーキテクチャをベースに構築されている。 提案手法は, nuScenesバリデーションとテストスプリットでそれぞれ71.2%, AMOTA68.2%を達成している。
  論文  参考訳（メタデータ） (2023-08-12T19:19:58Z)
• TrajectoryFormer: 3D Object Tracking Transformer with Predictive Trajectory Hypotheses [51.60422927416087]
  3Dマルチオブジェクトトラッキング(MOT)は、自律走行車やサービスロボットを含む多くのアプリケーションにとって不可欠である。 本稿では,新しいポイントクラウドベースの3DMOTフレームワークであるTrjectoryFormerを紹介する。
  論文  参考訳（メタデータ） (2023-06-09T13:31:50Z)
• You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
  提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。 多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-18T02:45:18Z)
• Post-Processing Temporal Action Detection [134.26292288193298]
  時間的行動検出(TAD)法は、通常、入力された可変長のビデオを固定長のスニペット表現シーケンスに変換する際に、前処理のステップを踏む。 この前処理ステップは、ビデオを時間的にダウンサンプリングし、推論の解像度を低減し、元の時間分解における検出性能を阻害する。 モデルの再設計や再学習を伴わない新しいモデル非依存のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-27T19:50:37Z)
• 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)
• 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)
• LRPD: Long Range 3D Pedestrian Detection Leveraging Specific Strengths of LiDAR and RGB [12.650574326251023]
  KITTIベンチマークの現在の最先端技術は、歩行者の位置を長距離で検出する際の準最適化を行う。 本稿では,RGBの密度とLiDARの精度を利用して,長距離3次元歩行者検出(LRPD)を対象とするアプローチを提案する。 これは、現在の最先端技術と比較して、長い範囲でmAPが大幅に改善される。
  論文  参考訳（メタデータ） (2020-06-17T09:27:38Z)
• ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
  オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。 そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-16T06:43:11Z)

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。