論文の概要: DeepMix: Online Auto Data Augmentation for Robust Visual Object Tracking

• arxiv url: http://arxiv.org/abs/2104.11585v1
• Date: Fri, 23 Apr 2021 13:37:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 13:05:26.515067
• Title: DeepMix: Online Auto Data Augmentation for Robust Visual Object Tracking
• Title（参考訳）: DeepMix:ロバストなビジュアルオブジェクト追跡のためのオンライン自動データ拡張
• Authors: Ziyi Cheng and Xuhong Ren and Felix Juefei-Xu and Wanli Xue and Qing Guo and Lei Ma and Jianjun Zhao
• Abstract要約: DeepMixは、過去のサンプルの埋め込みを入力として、オンラインで拡張埋め込みを生成する。 MixNetは、オンラインデータ拡張をワンステップで実行するためのオフライントレーニングネットワークです。
• 参考スコア（独自算出の注目度）: 11.92631259817911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online updating of the object model via samples from historical frames is of great importance for accurate visual object tracking. Recent works mainly focus on constructing effective and efficient updating methods while neglecting the training samples for learning discriminative object models, which is also a key part of a learning problem. In this paper, we propose the DeepMix that takes historical samples' embeddings as input and generates augmented embeddings online, enhancing the state-of-the-art online learning methods for visual object tracking. More specifically, we first propose the online data augmentation for tracking that online augments the historical samples through object-aware filtering. Then, we propose MixNet which is an offline trained network for performing online data augmentation within one-step, enhancing the tracking accuracy while preserving high speeds of the state-of-the-art online learning methods. The extensive experiments on three different tracking frameworks, i.e., DiMP, DSiam, and SiamRPN++, and three large-scale and challenging datasets, \ie, OTB-2015, LaSOT, and VOT, demonstrate the effectiveness and advantages of the proposed method.
• Abstract（参考訳）: 歴史的フレームからのサンプルによるオブジェクトモデルのオンライン更新は、正確なビジュアルオブジェクト追跡にとって非常に重要である。 近年の研究では,識別対象モデルを学習するためのトレーニングサンプルを無視しながら,効率的かつ効率的な更新手法の構築に重点を置いている。 本稿では,過去のサンプルの埋め込みを入力として取り込んでオンラインに拡張埋め込みを生成するDeepMixを提案する。 より具体的には、オブジェクト認識フィルタリングによる履歴サンプルをオンラインで強化するオンラインデータ拡張を提案する。 そこで本研究では,1ステップでオンラインデータ拡張を行うためのオフライン学習ネットワークであるmixnetを提案し,最先端のオンライン学習手法の高速性を維持しつつ,トラッキング精度を向上させる。 dimp, dsiam, siamrpn++の3つのトラッキングフレームワークに関する広範な実験と,大規模かつ挑戦的なデータセットである \ie, otb-2015, lasot, votの3つが,提案手法の有効性とメリットを示している。

関連論文リスト

• HIPTrack: Visual Tracking with Historical Prompts [37.85656595341516]
  シームズパラダイムに忠実かつ更新された履歴情報を追従するトラッカーを提供することにより,大幅な性能向上が達成できることを示す。 我々は,履歴プロンプトネットワークに基づくHIPTrackと呼ばれる新しいトラッカーを構築し,モデル全体を再トレーニングすることなく,大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2023-11-03T17:54:59Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
  本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。 主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。 本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-06T02:24:41Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Dynamic Template Selection Through Change Detection for Adaptive Siamese Tracking [7.662745552551165]
  単一オブジェクト追跡(SOT)は、ターゲットオブジェクトの外観の変化や変形のため、現実世界のアプリケーションでは難しい課題である。 本稿では,テンプレートの破損を防止し,動的サンプル選択とメモリ再生のための新しい手法を提案する。 提案手法は,モデル適応にオンライン学習を利用する任意のオブジェクト追跡アルゴリズムに組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-07T07:27:02Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)

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。