論文の概要: Multiple Convolutional Features in Siamese Networks for Object Tracking

• arxiv url: http://arxiv.org/abs/2103.01222v1
• Date: Mon, 1 Mar 2021 08:02:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:30:43.418872
• Title: Multiple Convolutional Features in Siamese Networks for Object Tracking
• Title（参考訳）: siameseネットワークにおける物体追跡のための多重畳み込み特徴
• Authors: Zhenxi Li, Guillaume-Alexandre Bilodeau, Wassim Bouachir
• Abstract要約: 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。
• 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 demonstrated high performance in object tracking due to their balance between accuracy and speed. Unlike classification-based CNNs, deep similarity networks are specifically designed to address the image similarity problem, and thus are inherently more appropriate for the tracking task. However, Siamese trackers mainly use 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 an optimal choice in a deep similarity framework. We present a Multiple Features-Siamese Tracker (MFST), a novel tracking algorithm exploiting several hierarchical feature maps for robust tracking. Since convolutional layers provide several abstraction levels in characterizing an object, fusing hierarchical features allows to obtain a richer and more efficient representation of the target. Moreover, we handle the target appearance variations by calibrating the deep features extracted from two different CNN models. Based on this advanced feature representation, our method achieves high tracking accuracy, while outperforming the standard siamese tracker on object tracking benchmarks. The source 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、精度と速度のバランスのため、物体追跡において高い性能を示した。 分類ベースのcnnとは異なり、ディープ類似性ネットワークは画像類似性問題に対処するために特別に設計されており、本質的に追跡タスクに適している。 しかし、シームズトラッカーは主に類似性分析とターゲット探索に最後の畳み込み層を使用し、性能を制限している。 本稿では,単一畳み込み層を特徴表現として用いることは,深い類似性の枠組みにおいて最適選択ではないと主張する。 本研究では,複数の階層的特徴マップを用いてロバストな追跡を行う,新しい追跡アルゴリズムであるsiamese tracker (mfst)を提案する。 畳み込み層はオブジェクトを特徴づけるいくつかの抽象レベルを提供するので、階層的な特徴を融合させることで、ターゲットのよりリッチで効率的な表現を得ることができる。 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により,ターゲットの外観変化を処理する。 この高度な特徴表現に基づいて,本手法はオブジェクト追跡ベンチマークにおいて,標準的なサイメシトラッカよりも高いトラッキング精度を実現する。 ソース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

• 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)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• 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)
• 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)
• MFST: Multi-Features Siamese Tracker [13.850110645060116]
  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。
  論文  参考訳（メタデータ） (2021-03-01T07:18:32Z)
• 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。