論文の概要: MFST: Multi-Features Siamese Tracker

• arxiv url: http://arxiv.org/abs/2103.00810v1
• Date: Mon, 1 Mar 2021 07:18:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:37:56.044298
• Title: MFST: Multi-Features Siamese Tracker
• Title（参考訳）: MFST:マルチ機能Siameseトラッカー
• Authors: Zhenxi Li, Guillaume-Alexandre Bilodeau, Wassim Bouachir
• Abstract要約: Multi-Features Siamese Tracker (MFST) は、複数の階層的特徴マップを利用して、頑健な類似性追跡を行う新しい追跡アルゴリズムである。 MFSTは、標準的なシームズトラッカーを含む最先端のトラッカーよりも高いトラッキング精度を実現している。
• 参考スコア（独自算出の注目度）: 13.850110645060116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Siamese trackers have recently achieved interesting results due to their balance between accuracy and speed. This success is mainly due to the fact that deep similarity networks were specifically designed to address the image similarity problem. Therefore, they are inherently more appropriate than classical CNNs for the tracking task. However, Siamese trackers rely on the last convolutional layers for similarity analysis and target search, which restricts their performance. In this paper, we argue that using a single convolutional layer as feature representation is not the optimal choice within the deep similarity framework, as multiple convolutional layers provide several abstraction levels in characterizing an object. Starting from this motivation, we present the Multi-Features Siamese Tracker (MFST), a novel tracking algorithm exploiting several hierarchical feature maps for robust deep similarity tracking. MFST proceeds by fusing hierarchical features to ensure a richer and more efficient representation. Moreover, we handle appearance variation by calibrating deep features extracted from two different CNN models. Based on this advanced feature representation, our algorithm achieves high tracking accuracy, while outperforming several state-of-the-art trackers, including standard Siamese trackers. The code and trained models are available at https://github.com/zhenxili96/MFST.
• Abstract（参考訳）: シームズトラッカーは、最近、精度と速度のバランスのために興味深い結果を得た。 この成功は主に、深層類似性ネットワークが画像類似性問題に対処するために特別に設計されたという事実によるものである。 したがって、追跡タスクには従来のCNNよりも本質的に適切である。 しかし、シームズトラッカーは類似性分析とターゲット探索のために最後の畳み込み層に依存しており、性能が制限されている。 本稿では、単一畳み込み層を特徴表現として使うことは、オブジェクトの特徴付けにおいて複数の畳み込み層がいくつかの抽象化レベルを提供するため、深い類似性フレームワークの中で最適な選択ではないと論じる。 このモチベーションから,ロバストな深層類似度追跡のために,複数の階層的特徴マップを利用する新しい追跡アルゴリズムである多機能siamese tracker (mfst) を提案する。 MFSTは階層的な特徴を融合して、よりリッチで効率的な表現を保証する。 さらに,2つの異なるCNNモデルから抽出した深部特徴を校正することで,外観変化を処理する。 この高度な特徴表現に基づいて,我々のアルゴリズムは,標準的なシームズトラッカーを含む最先端トラッカーよりも高いトラッキング精度を実現する。 コードとトレーニングされたモデルはhttps://github.com/zhenxili96/MFSTで入手できる。

関連論文リスト

• 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)
• Multi-attention Associate Prediction Network for Visual Tracking [3.9628431811908533]
  分類回帰予測ネットワークは、いくつかの現代のディープトラッカーにおいて驚くべき成功を収めている。 分類と回帰タスクには固有の違いがあるため、特徴マッチングの要求にも反対の要求がある。 上記の問題に対処するために,マルチアテンションアソシエイト予測ネットワーク(MAPNet)を提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:18:58Z)
• Correlation-Embedded Transformer Tracking: A Single-Branch Framework [69.0798277313574]
  本稿では,トランスにインスパイアされた新しい単一ブランチ追跡フレームワークを提案する。 Siameseのような特徴抽出とは異なり、トラッカーは機能ネットワークの複数の層にクロスイメージ特徴相関を深く埋め込む。 出力機能は、追加の相関ステップなしでターゲット位置を予測するために直接使用できる。
  論文  参考訳（メタデータ） (2024-01-23T13:20:57Z)
• Improving Siamese Based Trackers with Light or No Training through Multiple Templates and Temporal Network [0.0]
  我々は,シームズをベースとしたトラッカーに2つのアイデアを持つフレームワークを提案する。 i) ネットワークの再トレーニングの必要性を取り除く方法で、テンプレートの数を拡張すること。 (II) 地域情報とグローバル情報の両方に焦点をあてた新しいアーキテクチャを持つ軽量時間ネットワーク。
  論文  参考訳（メタデータ） (2022-11-24T22:07:33Z)
• 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)
• Correlation-Aware Deep Tracking [83.51092789908677]
  本稿では,自己/横断的意図に着想を得た,新たなターゲット依存型特徴ネットワークを提案する。 我々のネットワークは機能ネットワークの複数の層にクロスイメージの特徴相関を深く埋め込んでいる。 我々のモデルは、豊富な未ペア画像に対して柔軟に事前訓練が可能であり、既存の手法よりも顕著に高速な収束をもたらす。
  論文  参考訳（メタデータ） (2022-03-03T11:53:54Z)
• Multiple Convolutional Features in Siamese Networks for Object Tracking [13.850110645060116]
  Multiple Features-Siamese Tracker (MFST) は、ロバストな追跡のために複数の階層的な特徴マップを利用する新しい追跡アルゴリズムである。 MFSTは、オブジェクト追跡ベンチマークにおいて標準のサイメムトラッカーよりも高いトラッキング精度を達成する。
  論文  参考訳（メタデータ） (2021-03-01T08:02:27Z)
• Coarse-to-Fine Object Tracking Using Deep Features and Correlation Filters [2.3526458707956643]
  本稿では,新しいディープラーニング追跡アルゴリズムを提案する。 対象の翻訳を大まかに推定するために,深層特徴の一般化能力を利用する。 そして,相関フィルタの識別力を利用して追跡対象を正確に局所化する。
  論文  参考訳（メタデータ） (2020-12-23T16:43:21Z)
• 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)
• Segment as Points for Efficient Online Multi-Object Tracking and Segmentation [66.03023110058464]
  本稿では,コンパクトな画像表現を非秩序な2次元点クラウド表現に変換することで,セグメントに基づくインスタンス埋め込みの学習に有効な方法を提案する。 本手法は,画像ではなく,ランダムに選択された点から識別インスタンスの埋め込みを学習する,新たなトラッキング・バイ・ポイントのパラダイムを生成する。 PointTrackという名前のオンラインMOTSフレームワークは、最先端のすべてのメソッドを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-07-03T08:29:35Z)

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。