論文の概要: Online Visual Tracking with One-Shot Context-Aware Domain Adaptation
- arxiv url: http://arxiv.org/abs/2008.09891v2
- Date: Sat, 17 Apr 2021 22:31:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 08:13:14.682261
- Title: Online Visual Tracking with One-Shot Context-Aware Domain Adaptation
- Title(参考訳): ワンショットコンテキストアウェアドメイン適応によるオンラインビジュアルトラッキング
- Authors: Hossein Kashiani, Amir Abbas Hamidi Imani, Shahriar Baradaran
Shokouhi, Ahmad Ayatollahi
- Abstract要約: そこで本研究では,意味的背景コンテキストのコントリビューションを強化するためのドメイン適応手法を提案する。
提案手法は,最先端トラッカーと比較して,リアルタイムに競合する結果が得られる。
- 参考スコア(独自算出の注目度): 3.1638278975258096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online learning policy makes visual trackers more robust against different
distortions through learning domain-specific cues. However, the trackers
adopting this policy fail to fully leverage the discriminative context of the
background areas. Moreover, owing to the lack of sufficient data at each time
step, the online learning approach can also make the trackers prone to
over-fitting to the background regions. In this paper, we propose a domain
adaptation approach to strengthen the contributions of the semantic background
context. The domain adaptation approach is backboned with only an off-the-shelf
deep model. The strength of the proposed approach comes from its discriminative
ability to handle severe occlusion and background clutter challenges. We
further introduce a cost-sensitive loss alleviating the dominance of
non-semantic background candidates over the semantic candidates, thereby
dealing with the data imbalance issue. Experimental results demonstrate that
our tracker achieves competitive results at real-time speed compared to the
state-of-the-art trackers.
- Abstract(参考訳): オンライン学習ポリシーにより、視覚トラッカーはドメイン固有の手がかりを学習することで、さまざまな歪みに対してより堅牢になる。
しかし、このポリシーを採用するトラッカーは、背景領域の差別的コンテキストを十分に活用できていない。
さらに、各時間ステップに十分なデータがないため、オンライン学習アプローチは、トラッカーがバックグラウンド領域に過剰にフィットしやすいようにもなります。
本稿では,意味的背景コンテキストの寄与度を高めるためのドメイン適応手法を提案する。
ドメイン適応アプローチは、市販の深層モデルだけでバックボーンになっている。
提案手法の強みは、厳密な閉塞と背景の乱雑な問題に対処する識別能力に起因している。
さらに,セマンティクス候補に対する非セマンティクス的背景候補の優位を緩和するコストに敏感な損失を導入し,データ不均衡問題に対処する。
実験により, トラッカーは, 最先端トラッカーと比較して, リアルタイムに競合する結果が得られることを示した。
関連論文リスト
- Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。
本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-28T04:08:40Z) - Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。
トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
論文 参考訳(メタデータ) (2022-04-04T13:39:43Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Unsupervised Compound Domain Adaptation for Face Anti-Spoofing [74.6122128643823]
顔認証システムを実環境で堅牢化することを目的とした顔認証対策の課題に対処します。
ソースモデルを対象ドメインに適応させるメモリ拡張手法を,ドメインに意識して提案する。
提案手法は,複数の新しいスプーフ型からなる複合ターゲットドメインに適応する。
論文 参考訳(メタデータ) (2021-05-18T12:08:07Z) - Learning a Domain-Agnostic Visual Representation for Autonomous Driving
via Contrastive Loss [25.798361683744684]
ドメイン認識コントラスト学習(Domain-Agnostic Contrastive Learning、DACL)は、2段階の非監視ドメイン適応フレームワークである。
提案手法は,従来の最新手法に比べ,単眼深度推定作業における性能向上を実現した。
論文 参考訳(メタデータ) (2021-03-10T07:06:03Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳(メタデータ) (2020-09-01T00:06:50Z) - Multi-object Tracking via End-to-end Tracklet Searching and Ranking [11.46601533985954]
本稿では,オンライン・エンドツーエンドのトラックレット探索学習プロセスを導入することで,トラックレットの一貫性を最適化する新しい手法を提案する。
トラックレットの出現エンコーダとしてのシーケンスモデルにより、トラッカーは従来のトラックレットアソシエーションベースラインから顕著な性能向上を達成する。
提案手法は,公開検出とオンライン設定を用いたMOT1517チャレンジベンチマークの最先端性も達成している。
論文 参考訳(メタデータ) (2020-03-04T18:46:01Z) - Focus on Semantic Consistency for Cross-domain Crowd Understanding [34.560447389853614]
いくつかのドメイン適応アルゴリズムは、合成データでモデルをトレーニングすることでそれを解放しようとする。
その結果,背景領域における推定誤差が既存手法の性能を阻害していることが判明した。
本稿では,ドメイン適応手法を提案する。
論文 参考訳(メタデータ) (2020-02-20T08:51:05Z) - Unsupervised Domain Adaptive Object Detection using Forward-Backward
Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。
近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。
本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文 参考訳(メタデータ) (2020-02-03T06:24:58Z)
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。