論文の概要: Learning to Filter: Siamese Relation Network for Robust Tracking

• arxiv url: http://arxiv.org/abs/2104.00829v1
• Date: Fri, 2 Apr 2021 00:53:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 22:07:45.004400
• Title: Learning to Filter: Siamese Relation Network for Robust Tracking
• Title（参考訳）: フィルタの学習:ロバストトラッキングのためのシームズ関係ネットワーク
• Authors: Siyuan Cheng, Bineng Zhong, Guorong Li, Xin Liu, Zhenjun Tang, Xianxian Li, Jing Wang
• Abstract要約: 2つの効率的なモジュール、すなわち、Siamese関係ネットワークを提案する。 Relation Detector (RD) と Refinement Module (RM) RDはメタラーニング方式で実行し、背景からイントラクタをフィルタリングする学習能力を得る。 RMは提案されたRDをSiameseフレームワークに効果的に統合し、正確な追跡結果を生成することを目的としている。
• 参考スコア（独自算出の注目度）: 30.997502234275206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the great success of Siamese-based trackers, their performance under complicated scenarios is still not satisfying, especially when there are distractors. To this end, we propose a novel Siamese relation network, which introduces two efficient modules, i.e. Relation Detector (RD) and Refinement Module (RM). RD performs in a meta-learning way to obtain a learning ability to filter the distractors from the background while RM aims to effectively integrate the proposed RD into the Siamese framework to generate accurate tracking result. Moreover, to further improve the discriminability and robustness of the tracker, we introduce a contrastive training strategy that attempts not only to learn matching the same target but also to learn how to distinguish the different objects. Therefore, our tracker can achieve accurate tracking results when facing background clutters, fast motion, and occlusion. Experimental results on five popular benchmarks, including VOT2018, VOT2019, OTB100, LaSOT, and UAV123, show that the proposed method is effective and can achieve state-of-the-art results. The code will be available at https://github.com/hqucv/siamrn
• Abstract（参考訳）: シームズベースのトラッカーの大きな成功にもかかわらず、複雑なシナリオでの彼らのパフォーマンスはまだ満足していない。 そこで本研究では, 2つの効率的なモジュール,すなわち, 新規なシャム関係ネットワークを提案する。 リレーショナル検出器(RD)とリファインメントモジュール(RM)。 rdはメタラーニングの方法で実行され、背景から邪魔者をフィルタリングする学習能力を得る一方で、rmは提案されたrdをsiameseフレームワークに効果的に統合し、正確な追跡結果を生成することを目標としている。 さらに,トラッカーの識別性やロバスト性をさらに向上するために,同一対象のマッチングを学習するだけでなく,異なる対象を識別する方法を学ぶための対照的なトレーニング戦略を導入する。 したがって,トラッカは背景クラッタや高速運動,咬合などに対して正確な追跡結果を得ることができる。 VOT2018, VOT2019, OTB100, LaSOT, UAV123 の5つのベンチマークによる実験結果から,提案手法は有効であり, 最先端の結果が得られることが示された。 コードはhttps://github.com/hqucv/siamrn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)
• Hierarchical IoU Tracking based on Interval [21.555469501789577]
  マルチオブジェクト追跡(MOT)は、フレーム間で与えられたクラスのすべてのターゲットを検出し、関連付けることを目的としている。 HITと呼ばれる階層型IoU追跡フレームワークを提案し、トラックレット間隔を先行として利用して階層型追跡を実現する。 提案手法は,MOT17,KITTI,DanceTrack,VisDroneの4つのデータセットに対して有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-06-19T07:03:18Z)
• 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)
• Pyramid Correlation based Deep Hough Voting for Visual Object Tracking [16.080776515556686]
  我々は、ピラミド相関に基づくDeep Hough Voting(PCDHV用ショート)という、投票に基づく分類専用追跡アルゴリズムを提案する。 具体的には、埋め込み特徴に微細な局所構造と大域的空間的文脈を持たせるために、ピラミド相関モジュールを革新的に構築する。 精巧に設計されたDeep Hough Votingモジュールがさらに引き継ぎ、ピクセルの長距離依存を隅々まで知覚する。
  論文  参考訳（メタデータ） (2021-10-15T10:37:00Z)
• 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)
• Rethinking the competition between detection and ReID in Multi-Object Tracking [44.59367033562385]
  検出と識別の埋め込みを共同で学習するワンショットモデルは、マルチオブジェクトトラッキング(MOT)において大きな注目を集めている。 本稿では,タスク依存表現をよりよく学習するために,自己関係と相互関係を持つ新しい相互ネットワーク(REN)を提案する。 また,ID埋め込みの関連性を改善するために,意味レベルのミスアライメントを防止するスケールアウェア・アテンション・ネットワーク(SAAN)を導入する。
  論文  参考訳（メタデータ） (2020-10-23T02:44:59Z)
• Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection [91.43066633305662]
  RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。 本稿では,これらの問題を新たな視点から考察する。 我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
  論文  参考訳（メタデータ） (2020-07-13T07:59:55Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)
• 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)
• Robust Visual Object Tracking with Two-Stream Residual Convolutional Networks [62.836429958476735]
  視覚追跡のための2ストリーム残差畳み込みネットワーク(TS-RCN)を提案する。 私たちのTS-RCNは、既存のディープラーニングベースのビジュアルトラッカーと統合することができます。 トラッキング性能をさらに向上するため、我々はResNeXtを特徴抽出バックボーンとして採用する。
  論文  参考訳（メタデータ） (2020-05-13T19:05:42Z)

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。