論文の概要: Graph Attention Tracking

• arxiv url: http://arxiv.org/abs/2011.11204v1
• Date: Mon, 23 Nov 2020 04:26:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 02:10:07.375494
• Title: Graph Attention Tracking
• Title（参考訳）: グラフ注意トラッキング
• Authors: Dongyan Guo, Yanyan Shao, Ying Cui, Zhenhua Wang, Liyan Zhang, Chunhua Shen
• Abstract要約: 汎用オブジェクト追跡のための簡易な目標認識型シームズグラフアテンションネットワークを提案する。 GOT-10k、UAV123、TB-100、LaSOTといった挑戦的なベンチマークの実験は、提案されたSiamGATが最先端のトラッカーよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 76.19829750144564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Siamese network based trackers formulate the visual tracking task as a similarity matching problem. Almost all popular Siamese trackers realize the similarity learning via convolutional feature cross-correlation between a target branch and a search branch. However, since the size of target feature region needs to be pre-fixed, these cross-correlation base methods suffer from either reserving much adverse background information or missing a great deal of foreground information. Moreover, the global matching between the target and search region also largely neglects the target structure and part-level information. In this paper, to solve the above issues, we propose a simple target-aware Siamese graph attention network for general object tracking. We propose to establish part-to-part correspondence between the target and the search region with a complete bipartite graph, and apply the graph attention mechanism to propagate target information from the template feature to the search feature. Further, instead of using the pre-fixed region cropping for template-feature-area selection, we investigate a target-aware area selection mechanism to fit the size and aspect ratio variations of different objects. Experiments on challenging benchmarks including GOT-10k, UAV123, OTB-100 and LaSOT demonstrate that the proposed SiamGAT outperforms many state-of-the-art trackers and achieves leading performance. Code is available at: https://git.io/SiamGAT
• Abstract（参考訳）: シームズネットワークに基づくトラッカーは、類似性マッチング問題として視覚追跡タスクを定式化する。 ほとんどのシームズトラッカーは、ターゲットブランチと検索ブランチ間の畳み込み特徴相互相関による類似性学習を実現している。 しかし、対象特徴領域のサイズを事前に固定する必要があるため、これらの相互相関ベースの手法は、非常に悪質な背景情報を保存したり、大量のフォアグラウンド情報を欠いている。 さらに、ターゲットと検索領域のグローバルマッチングは、ターゲット構造と部分レベルの情報をほとんど無視する。 本稿では,この問題を解決するために,汎用オブジェクト追跡のための単純なターゲット認識シアームグラフアテンションネットワークを提案する。 本稿では,完全二部グラフによる対象と検索領域とのパート・ツー・パート対応を確立し,テンプレート特徴から検索特徴へのターゲット情報伝達にグラフ注意機構を適用することを提案する。 さらに,テンプレート-機能領域選択にプリフィックスされた領域トリッピングを用いず,対象領域の選択機構を解析し,異なるオブジェクトのサイズとアスペクト比のバリエーションに適合させる。 GOT-10k、UAV123、TB-100、LaSOTといった挑戦的なベンチマークの実験では、提案されたSiamGATが多くの最先端トラッカーを上回り、主要な性能を発揮することを示した。 コードは: https://git.io/siamgat

関連論文リスト

• Optimized Information Flow for Transformer Tracking [0.7199733380797579]
  ワンストリームトランスフォーマートラッカーは、挑戦的なベンチマークデータセットで優れたパフォーマンスを示している。 トラッカーの識別能力を高めるための新しいOIFTrackフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:39:15Z)
• Multi-Correlation Siamese Transformer Network with Dense Connection for 3D Single Object Tracking [14.47355191520578]
  ポイントクラウドベースの3Dオブジェクトトラッキングは、自動運転において重要なタスクである。 スパースLIDARポイントクラウドデータでテンプレートと検索ブランチの相関を効果的に学習することは依然として困難である。 本稿では,複数のステージを持つマルチ相関シームス変圧器ネットワークを提案し,各ステージの最後に特徴相関を行う。
  論文  参考訳（メタデータ） (2023-12-18T09:33:49Z)
• Target-Aware Tracking with Long-term Context Attention [8.20858704675519]
  長期的コンテキストアテンション(LCA)モジュールは、長期的フレームからターゲットとそのコンテキストについて広範な情報融合を行うことができる。 LCAは、類似したオブジェクトや複雑な背景の干渉を排除するために、以前のフレームからターゲット状態を使用する。 トラッカーは, 71.1%のAUC, 89.3%のNP, 73.0%のAOをLaSOT, TrackingNet, GOT-10kで実現した。
  論文  参考訳（メタデータ） (2023-02-27T14:40:58Z)
• Revisiting Color-Event based Tracking: A Unified Network, Dataset, and Metric [53.88188265943762]
  上記の機能を同時に実現したCEUTrack(Color-Event Unified Tracking)のためのシングルステージバックボーンネットワークを提案する。 提案するCEUTrackはシンプルで,効率的で,75FPS以上を達成し,新たなSOTA性能を実現している。
  論文  参考訳（メタデータ） (2022-11-20T16:01:31Z)
• 3D Siamese Transformer Network for Single Object Tracking on Point Clouds [22.48888264770609]
  シームズネットワークに基づくトラッカーは、テンプレートの点特徴と検索領域との間の相互相関学習として、3Dオブジェクト追跡を定式化する。 テンプレートと検索領域間の堅牢な相互相関を学習するために,Transformer を用いて 3D Siamese Transformer ネットワークを構築した。 本手法は,3次元物体追跡タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-25T09:08:30Z)
• Learning Dynamic Compact Memory Embedding for Deformable Visual Object Tracking [82.34356879078955]
  本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。 DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
  論文  参考訳（メタデータ） (2021-11-23T03:07:12Z)
• Tracking by Joint Local and Global Search: A Target-aware Attention based Approach [63.50045332644818]
  本研究では、ロバストな追跡のための局所的・グローバルな共同探索を行うための新たな目標認識型アテンション機構(TANet)を提案する。 具体的には、ターゲットオブジェクトパッチと連続ビデオフレームの特徴を抽出し、それらをデコーダネットワークに追従して、ターゲットを意識したグローバルアテンションマップを生成する。 追跡手順において、ロバストな追跡のための候補探索領域を探索することにより、ターゲット認識の注意を複数のトラッカーと統合する。
  論文  参考訳（メタデータ） (2021-06-09T06:54:15Z)
• Tracklets Predicting Based Adaptive Graph Tracking [51.352829280902114]
  マルチオブジェクト追跡,すなわち textbfTPAGT のための,正確かつエンドツーエンドの学習フレームワークを提案する。 動作予測に基づいて、現在のフレーム内のトラックレットの特徴を再抽出する。
  論文  参考訳（メタデータ） (2020-10-18T16:16:49Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)

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。