Fugu-MT 論文翻訳(概要): AAA: Adaptive Aggregation of Arbitrary Online Trackers with Theoretical Performance Guarantee

論文の概要: AAA: Adaptive Aggregation of Arbitrary Online Trackers with Theoretical Performance Guarantee

arxiv url: http://arxiv.org/abs/2009.09237v2
Date: Thu, 24 Sep 2020 04:22:11 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 21:28:00.975233
Title: AAA: Adaptive Aggregation of Arbitrary Online Trackers with Theoretical Performance Guarantee
Title（参考訳）: AAA:理論性能保証を伴う任意オンライントラッカーの適応的集約
Authors: Heon Song, Daiki Suehiro and Seiichi Uchida
Abstract要約: 画像シーケンスによってターゲットの外観が大きく変化するため,全能オンライントラッカーの実現は困難である。本稿では,任意のオンライントラッカーを適応的に集約するオンライントラッカーを提案する。
参考スコア（独自算出の注目度）: 9.410583483182657
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For visual object tracking, it is difficult to realize an almighty online tracker due to the huge variations of target appearance depending on an image sequence. This paper proposes an online tracking method that adaptively aggregates arbitrary multiple online trackers. The performance of the proposed method is theoretically guaranteed to be comparable to that of the best tracker for any image sequence, although the best expert is unknown during tracking. The experimental study on the large variations of benchmark datasets and aggregated trackers demonstrates that the proposed method can achieve state-of-the-art performance. The code is available at https://github.com/songheony/AAA-journal.
Abstract（参考訳）: 視覚的なオブジェクト追跡では,画像シーケンスによってターゲットの外観が大きく変化するため,全能なオンライントラッカを実現することは困難である。本稿では,任意のオンライントラッカを適応的に集約するオンライントラッキング手法を提案する。提案手法の性能は理論的には任意の画像列において最高のトラッカーに匹敵することが保証されているが、追跡中は最も優れた専門家が不明である。ベンチマークデータセットと集約トラッカーの多種多様性に関する実験的研究により,提案手法が最先端性能を実現することを示す。コードはhttps://github.com/songheony/aaa-journalで入手できる。

関連論文リスト

Multi-object Tracking by Detection and Query: an efficient end-to-end manner [23.926668750263488]
従来の検出によるトラッキングと、クエリによる新たなトラッキングだ。本稿では,学習可能なアソシエータによって達成されるトラッキング・バイ・検出・クエリーのパラダイムを提案する。トラッキング・バイ・クエリーモデルと比較すると、LAIDは特に訓練効率の高い競合追跡精度を達成している。
論文参考訳（メタデータ） (2024-11-09T14:38:08Z)
Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-07-19T07:48:45Z)
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)
Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
論文参考訳（メタデータ） (2024-03-26T12:31:58Z)
Iterative Scale-Up ExpansionIoU and Deep Features Association for Multi-Object Tracking in Sports [26.33239898091364]
本稿では,スポーツシナリオに対するDeep ExpansionIoU (Deep-EIoU) という,オンラインかつ堅牢な多対象追跡手法を提案する。従来の手法とは異なり、カルマンフィルタの使用を放棄し、スポーツシナリオにおける拡張IoUの反復的なスケールアップと深い特徴を活用して、ロバストなトラッキングを行う。提案手法は,SportsMOTデータセットで77.2%,SportsNet-Trackingデータセットで85.4%を達成し,不規則な動き物体の追跡に顕著な効果を示した。
論文参考訳（メタデータ） (2023-06-22T17:47:08Z)
Beyond Greedy Search: Tracking by Multi-Agent Reinforcement Learning-based Beam Search [103.53249725360286]
既存のトラッカーは通常、フレーム毎のトラッキング結果として最大スコアの場所または提案を選択する。本稿では,この問題に対処するために,新しいマルチエージェント強化学習に基づくビームサーチ戦略(BeamTracking と呼ばれる)を提案する。
論文参考訳（メタデータ） (2022-05-19T16:35:36Z)
CoCoLoT: Combining Complementary Trackers in Long-Term Visual Tracking [17.2557973738397]
本稿では,長期追跡性能を向上させるために,補完的な視覚トラッカーの特性を組み合わせたCoCoLoTというフレームワークを提案する。 CoCoLoTは、オンライン学習された深層検証モデルを通じて、トラッカーが対象オブジェクトをフォローしているかどうかを認識し、意思決定ポリシーを起動する。提案手法は広範に評価され、他のいくつかのソリューションとの比較により、最も人気のある視覚的追跡ベンチマークにおいて最先端の手法と競合することが判明した。
論文参考訳（メタデータ） (2022-05-09T13:25:13Z)
Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
論文参考訳（メタデータ） (2022-04-08T15:22:33Z)
Real-time Online Multi-Object Tracking in Compressed Domain [66.40326768209]
近年,Multi-Object Tracking (MOT) 手法が望まれるトラッキング性能を実現している。隣接するフレームが極めて関連性が高く冗長であるという事実に着想を得て、フレームをキーフレームと非キーフレームに分割する。私たちのトラッカーは、同等のトラッカー性能を維持しながら、約6倍高速です。
論文参考訳（メタデータ） (2022-04-05T09:47:24Z)
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)

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。