論文の概要: Tracking by Joint Local and Global Search: A Target-aware Attention based Approach

• arxiv url: http://arxiv.org/abs/2106.04840v1
• Date: Wed, 9 Jun 2021 06:54:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 15:19:54.890119
• Title: Tracking by Joint Local and Global Search: A Target-aware Attention based Approach
• Title（参考訳）: 地域検索とグローバル検索の併用による追跡: 目標意識に基づくアプローチ
• Authors: Xiao Wang, Jin Tang, Bin Luo, Yaowei Wang, Yonghong Tian, Feng Wu
• Abstract要約: 本研究では、ロバストな追跡のための局所的・グローバルな共同探索を行うための新たな目標認識型アテンション機構(TANet)を提案する。 具体的には、ターゲットオブジェクトパッチと連続ビデオフレームの特徴を抽出し、それらをデコーダネットワークに追従して、ターゲットを意識したグローバルアテンションマップを生成する。 追跡手順において、ロバストな追跡のための候補探索領域を探索することにより、ターゲット認識の注意を複数のトラッカーと統合する。
• 参考スコア（独自算出の注目度）: 63.50045332644818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tracking-by-detection is a very popular framework for single object tracking which attempts to search the target object within a local search window for each frame. Although such local search mechanism works well on simple videos, however, it makes the trackers sensitive to extremely challenging scenarios, such as heavy occlusion and fast motion. In this paper, we propose a novel and general target-aware attention mechanism (termed TANet) and integrate it with tracking-by-detection framework to conduct joint local and global search for robust tracking. Specifically, we extract the features of target object patch and continuous video frames, then we concatenate and feed them into a decoder network to generate target-aware global attention maps. More importantly, we resort to adversarial training for better attention prediction. The appearance and motion discriminator networks are designed to ensure its consistency in spatial and temporal views. In the tracking procedure, we integrate the target-aware attention with multiple trackers by exploring candidate search regions for robust tracking. Extensive experiments on both short-term and long-term tracking benchmark datasets all validated the effectiveness of our algorithm. The project page of this paper can be found at \url{https://sites.google.com/view/globalattentiontracking/home/extend}.
• Abstract（参考訳）: tracking-by-detectionは、単一のオブジェクト追跡のための非常に人気のあるフレームワークで、各フレームのローカル検索ウィンドウ内でターゲットオブジェクトを検索しようとする。 しかし、このようなローカル検索機構は単純なビデオではうまく機能するが、重い閉塞や速い動きといった極めて困難なシナリオにトラッカーを敏感にする。 本稿では,新しい汎用的目標認識アテンション機構(tanet)を提案し,ロバスト追跡のための局所的・グローバル共同探索を行うためのトラッキング・バイ・プローブ・フレームワークと統合する。 具体的には、ターゲットオブジェクトパッチと連続ビデオフレームの特徴を抽出し、それらを連結してデコーダネットワークに供給し、ターゲットを意識したグローバルアテンションマップを生成する。 より重要なことは、より良い注意力予測のために敵の訓練に頼ることである。 外観と運動判別器ネットワークは、空間的および時間的視点における一貫性を確保するように設計されている。 追跡手順において、ロバストな追跡のための候補探索領域を探索することにより、ターゲット認識の注意を複数のトラッカーと統合する。 短期追跡ベンチマークと長期追跡ベンチマークの併用実験により,アルゴリズムの有効性が検証された。 この論文のプロジェクトページは \url{https://sites.google.com/view/globalattentiontracking/home/extend} にある。

関連論文リスト

• DenseTrack: Drone-based Crowd Tracking via Density-aware Motion-appearance Synergy [33.57923199717605]
  ドローンによる群集追跡は、空中からの物体の正確な識別と監視に困難に直面している。 これらの課題に対処するために、密度認識追跡(DenseTrack)フレームワークを提案する。 DenseTrackは、群衆のカウントに乗じて、オブジェクトの位置を正確に決定し、視覚とモーションのキューを混ぜて、小規模オブジェクトの追跡を改善する。
  論文  参考訳（メタデータ） (2024-07-24T13:39:07Z)
• Single Object Tracking Research: A Survey [44.24280758718638]
  本稿では,過去10年間に最も人気の高い追跡フレームワーク2つについて,その理論的根拠と作業について述べる。 本稿では,異なるネットワーク構造に分類したディープラーニングに基づく追跡手法を提案する。 また、追跡問題の課題に対処するための古典的な戦略についても紹介する。
  論文  参考訳（メタデータ） (2022-04-25T02:59:15Z)
• Global Tracking via Ensemble of Local Trackers [14.010150696810316]
  既存の長期追跡手法は2つの典型的な戦略に従う。 両戦略の利点は、時間的文脈を利用して、グローバルな視点でターゲットを追跡することである。 我々の手法は最先端のアルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2022-03-30T06:44:47Z)
• Distractor-Aware Fast Tracking via Dynamic Convolutions and MOT Philosophy [63.91005999481061]
  実用的長期トラッカーは、典型的には3つの重要な特性を含む。 効率的なモデル設計、効果的なグローバル再検出戦略、堅牢な気晴らし認識メカニズム。 動的畳み込み (d-convs) と多重オブジェクト追跡 (MOT) の哲学を用いて, 注意をそらした高速トラッキングを実現するための2タスクトラッキングフレームワーク(DMTrack)を提案する。 我々のトラッカーはLaSOT, OxUvA, TLP, VOT2018LT, VOT 2019LTベンチマークの最先端性能を実現し, リアルタイム3倍高速に動作させる。
  論文  参考訳（メタデータ） (2021-04-25T00:59:53Z)
• Dynamic Attention guided Multi-Trajectory Analysis for Single Object Tracking [62.13213518417047]
  動的注意誘導型マルチ軌道追跡戦略を考案し,さらにダイナミクスを導入することを提案する。 特に、複数のターゲットテンプレートを含む動的外観モデルを構築し、それぞれが新しいフレーム内のターゲットを特定するのに独自の注意を払っています。 シーケンス全体にまたがった後、マルチ軌道選択ネットワークを導入し、トラッキング性能を向上させた最適な軌道を見つけます。
  論文  参考訳（メタデータ） (2021-03-30T05:36:31Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)
• 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)
• Tracking-by-Counting: Using Network Flows on Crowd Density Maps for Tracking Multiple Targets [96.98888948518815]
  State-of-the-art multi-object tracking(MOT)法は、トラッキング・バイ・検出のパラダイムに従っている。 混み合ったシーンに適したMOTパラダイムであるトラッキング・バイ・カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-18T19:51:53Z)

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。