論文の概要: Robust Visual Tracking via Statistical Positive Sample Generation and Gradient Aware Learning

• arxiv url: http://arxiv.org/abs/2011.04260v1
• Date: Mon, 9 Nov 2020 09:14:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 01:16:50.488444
• Title: Robust Visual Tracking via Statistical Positive Sample Generation and Gradient Aware Learning
• Title（参考訳）: 統計的正のサンプル生成と学習によるロバストな視覚追跡
• Authors: Lijian Lin, Haosheng Chen, Yanjie Liang, Yan Yan, Hanzi Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.60114425270413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Convolutional Neural Network (CNN) based trackers have achieved state-of-the-art performance on multiple benchmark datasets. Most of these trackers train a binary classifier to distinguish the target from its background. However, they suffer from two limitations. Firstly, these trackers cannot effectively handle significant appearance variations due to the limited number of positive samples. Secondly, there exists a significant imbalance of gradient contributions between easy and hard samples, where the easy samples usually dominate the computation of gradient. In this paper, we propose a robust tracking method via Statistical Positive sample generation and Gradient Aware learning (SPGA) to address the above two limitations. To enrich the diversity of positive samples, we present an effective and efficient statistical positive sample generation algorithm to generate positive samples in the feature space. Furthermore, to handle the issue of imbalance between easy and hard samples, we propose a gradient sensitive loss to harmonize the gradient contributions between easy and hard samples. Extensive experiments on three challenging benchmark datasets including OTB50, OTB100 and VOT2016 demonstrate that the proposed SPGA performs favorably against several state-of-the-art trackers.
• Abstract（参考訳）: 近年、畳み込みニューラルネットワーク(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。 これらのトラッカーのほとんどは、ターゲットとバックグラウンドを区別するためにバイナリ分類器を訓練する。 しかし、2つの制限がある。 第一に、これらのトラッカーは、正のサンプルの数が限られているため、顕著な外観変化を効果的に扱えない。 第二に、容易なサンプルとハードなサンプルの間には、勾配の計算が容易なサンプルが支配されるような、勾配の寄与の著しい不均衡が存在する。 本稿では,上記の2つの制約に対処するために,統計的正のサンプル生成と勾配認識学習(spga)を用いたロバストな追跡手法を提案する。 正のサンプルの多様性を高めるために,特徴空間における正のサンプルを生成するための有効かつ効率的な統計的正のサンプル生成アルゴリズムを提案する。 さらに, 簡易試料と硬試料の不均衡問題に対処するため, 簡易試料と硬試料との勾配寄与を調和させる勾配感度損失を提案する。 OTB50、OCB100、VOT2016を含む3つの挑戦的なベンチマークデータセットに対する大規模な実験は、提案されたSPGAがいくつかの最先端トラッカーに対して好意的に機能することを示した。

関連論文リスト

• Data Pruning via Moving-one-Sample-out [61.45441981346064]
  我々は移動1サンプルアウト(MoSo)と呼ばれる新しいデータ処理手法を提案する。 MoSoは、トレーニングセットから最も分かりにくいサンプルを特定し、削除することを目的としている。 実験結果から,MoSoは高プルーニング比で高い性能劣化を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2023-10-23T08:00:03Z)
• Split-PU: Hardness-aware Training Strategy for Positive-Unlabeled Learning [42.26185670834855]
  Positive-Unlabeled (PU) 学習は、稀な正のサンプルと豊富な未ラベルサンプルを持つモデルを学ぶことを目的としている。 本稿では、新しいトレーニングパイプラインを用いて、一般的に使われているnnPUの改善に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-30T05:48:31Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• 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)
• Doubly Contrastive Deep Clustering [135.7001508427597]
  本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。 具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。 クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。 このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
  論文  参考訳（メタデータ） (2021-03-09T15:15:32Z)
• Hard Negative Samples Emphasis Tracker without Anchors [10.616828072065093]
  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。
  論文  参考訳（メタデータ） (2020-08-08T12:38:38Z)
• CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances [77.28192419848901]
  コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。 従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。 本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-07-16T08:32:56Z)
• 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。