論文の概要: Two stages for visual object tracking

• arxiv url: http://arxiv.org/abs/2104.13648v1
• Date: Wed, 28 Apr 2021 09:11:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 12:59:25.293033
• Title: Two stages for visual object tracking
• Title（参考訳）: 視覚物体追跡のための2段階
• Authors: Fei Chen and Xiaodong Wang
• Abstract要約: Siameseベースのトラッカーは、ビジュアルオブジェクト追跡タスクで有望なパフォーマンスを実現している。 本稿では,検出とセグメンテーションという2段階の新たなトラッカーを提案する。 VOT2016では52.6$%、VOT2018では51.3$%、VOT 2019データセットでは39.0$%である。
• 参考スコア（独自算出の注目度）: 13.851408246039515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Siamese-based trackers have achived promising performance on visual object tracking tasks. Most existing Siamese-based trackers contain two separate branches for tracking, including classification branch and bounding box regression branch. In addition, image segmentation provides an alternative way to obetain the more accurate target region. In this paper, we propose a novel tracker with two-stages: detection and segmentation. The detection stage is capable of locating the target by Siamese networks. Then more accurate tracking results are obtained by segmentation module given the coarse state estimation in the first stage. We conduct experiments on four benchmarks. Our approach achieves state-of-the-art results, with the EAO of 52.6$\%$ on VOT2016, 51.3$\%$ on VOT2018, and 39.0$\%$ on VOT2019 datasets, respectively.
• Abstract（参考訳）: Siameseベースのトラッカーは、ビジュアルオブジェクト追跡タスクで有望なパフォーマンスを達成した。 既存のシームズベースのトラッカーのほとんどは、分類ブランチとバウンディングボックス回帰ブランチを含む、追跡用の2つの別々のブランチを含んでいる。 さらに、イメージセグメンテーションは、より正確なターゲット領域を確保するための代替手段を提供する。 本稿では,検出とセグメンテーションという2段階の新たなトラッカーを提案する。 検出段階は、シャムネットワークによって目標を特定できる。 そして、第1段階で粗い状態推定を行うセグメンテーションモジュールにより、より正確な追跡結果を得る。 4つのベンチマークで実験を行う。 我々のアプローチは、vot2016のeaoは52.6$\%$、vot2018の51.3$\%$、vot2019のデータセットでは39.0$\%$である。

関連論文リスト

• OmniTracker: Unifying Object Tracking by Tracking-with-Detection [119.51012668709502]
  OmniTrackerは、完全に共有されたネットワークアーキテクチャ、モデルウェイト、推論パイプラインですべてのトラッキングタスクを解決するために提供されている。 LaSOT、TrackingNet、DAVIS16-17、MOT17、MOTS20、YTVIS19を含む7つの追跡データセットの実験は、OmniTrackerがタスク固有の追跡モデルと統合された追跡モデルの両方よりも、オンパーまたはそれ以上の結果を達成することを示した。
  論文  参考訳（メタデータ） (2023-03-21T17:59:57Z)
• Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
  我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。 領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。 大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
  論文  参考訳（メタデータ） (2022-08-22T04:47:40Z)
• A Discriminative Single-Shot Segmentation Network for Visual Object Tracking [13.375369415113534]
  本稿では,識別可能な単発セグメンテーショントラッカーD3S2を提案する。 単ショットネットワークは、相補的な幾何学的性質を持つ2つのターゲットモデルを適用する。 D3S2はビデオオブジェクトセグメンテーションベンチマークでリードセグメンテーショントラッカーのSiamMaskを上回っている。
  論文  参考訳（メタデータ） (2021-12-22T12:48:51Z)
• Visual Object Tracking with Discriminative Filters and Siamese Networks: A Survey and Outlook [97.27199633649991]
  識別相関フィルタ (DCF) とディープシームズネットワーク (SN) が支配的な追跡パラダイムとして出現している。 本調査では,9つのトラッキングベンチマークの結果に基づいて,90以上のDCFとSiameseトラッカーの体系的,徹底的なレビューを行う。
  論文  参考訳（メタデータ） (2021-12-06T07:57:10Z)
• Track to Detect and Segment: An Online Multi-Object Tracker [81.15608245513208]
  TraDeSは、エンドツーエンドの検出を支援するために追跡の手がかりを利用するオンライン共同検出および追跡モデルです。 TraDeSは、以前のオブジェクトの機能を伝播するために使用されるコストボリュームでオブジェクト追跡オフセットを推測します。
  論文  参考訳（メタデータ） (2021-03-16T02:34:06Z)
• 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)
• Graph Attention Tracking [76.19829750144564]
  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。
  論文  参考訳（メタデータ） (2020-11-23T04:26:45Z)
• Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
  そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。 鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
  論文  参考訳（メタデータ） (2020-07-29T02:38:49Z)
• Multi-Object Tracking with Siamese Track-RCNN [23.753970697176946]
  Siamese Track-RCNNは3つの機能ブランチで構成される2段階の検出・追跡フレームワークである。 シームズ・トラック-RCNNは最先端技術よりもはるかに高い結果を得るが、統一された設計のため、より効率的である。
  論文  参考訳（メタデータ） (2020-04-16T17:28:52Z)

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。