論文の概要: Unsupervised Lightweight Single Object Tracking with UHP-SOT++
- arxiv url: http://arxiv.org/abs/2111.07548v1
- Date: Mon, 15 Nov 2021 05:52:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 16:14:41.758641
- Title: Unsupervised Lightweight Single Object Tracking with UHP-SOT++
- Title(参考訳): UHP-SOT++による教師なし軽量物体追跡
- Authors: Zhiruo Zhou, Hongyu Fu, Suya You, and C.-C. Jay Kuo
- Abstract要約: 拡張版を提示し、UHP-SOT++と命名する。
識別相関フィルタ (DCF-based) トラッカーの基盤として, UHP-SOT と UHP-SOT++ に2つの新しい材料が導入された。
実験の結果,UHP-SOT++は従来の教師なし手法といくつかのディープラーニング(DL)手法よりも精度が高いことがわかった。
- 参考スコア(独自算出の注目度): 25.519054983049198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An unsupervised, lightweight and high-performance single object tracker,
called UHP-SOT, was proposed by Zhou et al. recently. As an extension, we
present an enhanced version and name it UHP-SOT++ in this work. Built upon the
foundation of the discriminative-correlation-filters-based (DCF-based) tracker,
two new ingredients are introduced in UHP-SOT and UHP-SOT++: 1) background
motion modeling and 2) object box trajectory modeling. The main difference
between UHP-SOT and UHP-SOT++ is the fusion strategy of proposals from three
models (i.e., DCF, background motion and object box trajectory models). An
improved fusion strategy is adopted by UHP-SOT++ for more robust tracking
performance against large-scale tracking datasets. Our second contribution lies
in an extensive evaluation of the performance of state-of-the-art supervised
and unsupervised methods by testing them on four SOT benchmark datasets -
OTB2015, TC128, UAV123 and LaSOT. Experiments show that UHP-SOT++ outperforms
all previous unsupervised methods and several deep-learning (DL) methods in
tracking accuracy. Since UHP-SOT++ has extremely small model size, high
tracking performance, and low computational complexity (operating at a rate of
20 FPS on an i5 CPU even without code optimization), it is an ideal solution in
real-time object tracking on resource-limited platforms. Based on the
experimental results, we compare pros and cons of supervised and unsupervised
trackers and provide a new perspective to understand the performance gap
between supervised and unsupervised methods, which is the third contribution of
this work.
- Abstract(参考訳): UHP-SOTと呼ばれる、教師なし、軽量で高性能なシングルオブジェクトトラッカーが、Zhouらによって最近提案された。
拡張として、拡張バージョンを提示し、UHP-SOT++と命名する。
UHP-SOT と UHP-SOT++ では、識別相関フィルタ(DCF-based)トラッカーの基盤として2つの新しい材料が導入されている。
1【背景動きのモデリング】
2)オブジェクトボックス軌道モデリング。
UHP-SOTとUHP-SOT++の主な違いは、3つのモデル(DCF、バックグラウンドモーション、オブジェクトボックス軌道モデル)の提案の融合戦略である。
大規模なトラッキングデータセットに対して、より堅牢なトラッキングパフォーマンスを実現するため、UHP-SOT++によって改善された融合戦略が採用されている。
第2のコントリビューションは、4つのSOTベンチマークデータセットSOTB2015, TC128, UAV123, LaSOTでテストすることで、最先端の教師付きおよび教師なしメソッドのパフォーマンスを広範囲に評価することにあります。
実験の結果,UHP-SOT++は従来の教師なし手法といくつかのディープラーニング(DL)手法よりも精度が高いことがわかった。
UHP-SOT++は、非常に小さなモデルサイズ、高いトラッキング性能、低計算量(コード最適化なしでは20FPSで動作する)を持つため、リソース制限されたプラットフォーム上でのリアルタイムオブジェクト追跡には理想的なソリューションである。
実験結果に基づき,教師付きトラッカと教師付きトラッカの長所と短所を比較し,教師付きトラッカと教師なしトラッカのパフォーマンスギャップを理解するための新しい視点を提供する。
関連論文リスト
- Tracking with Human-Intent Reasoning [64.69229729784008]
この作業では、新しいトラッキングタスクであるインストラクショントラッキングを提案している。
ビデオフレーム内で自動的にトラッキングを実行するようにトラッカーに要求する暗黙の追跡命令を提供する。
TrackGPTは複雑な推論ベースの追跡を行うことができる。
論文 参考訳(メタデータ) (2023-12-29T03:22:18Z) - Unsupervised Green Object Tracker (GOT) without Offline Pre-training [35.60210259607753]
グリーン・オブジェクト・トラッカー(GOT)と呼ばれる新しい単一物体追跡手法を提案する。
GOTは、最先端の教師なしトラッカーと競合する追跡精度を提供する。
GOTは小さなモデルサイズ(3kパラメータ)と低い推論複雑性(フレームあたり約58万FLOP)を持つ。
論文 参考訳(メタデータ) (2023-09-16T19:00:56Z) - Beyond SOT: Tracking Multiple Generic Objects at Once [141.36900362724975]
ジェネリックオブジェクト追跡(ジェネリックオブジェクト追跡、英: Generic Object Tracking、GOT)は、ビデオの最初のフレームでボックスをバウンディングすることによって指定されたターゲットオブジェクトを追跡する問題である。
大規模GOTベンチマークであるLaGOTを導入し,複数のアノテート対象オブジェクトをシーケンス毎に含む。
提案手法は単一オブジェクトのGOTデータセットに対して高い競合性を実現し,TrackingNet上での新たな技術状態が84.4%の成功率で設定されている。
論文 参考訳(メタデータ) (2022-12-22T17:59:19Z) - Towards Unsupervised HPO for Outlier Detection [23.77292404327994]
我々はメタラーニングに基づくHPODと呼ばれる最初の体系的アプローチを提案する。
HPODは、既存のODベンチマークデータセット上でのHPの大規模なコレクションの以前のパフォーマンスを生かしている。
将来性のあるHPを効率的に特定するために、シーケンシャルなモデルベースの最適化(元々は教師付き)を適用する。
論文 参考訳(メタデータ) (2022-08-24T18:11:22Z) - GUSOT: Green and Unsupervised Single Object Tracking for Long Video
Sequences [31.600045405499472]
GUSOTと呼ばれるグリーンで教師なしの単一オブジェクトトラッカーは、リソース制約のある環境下での長いビデオのオブジェクト追跡を目的としている。
GUSOT には、1) オブジェクトの復元、2) 色度に基づく形状の提案の2つの新しいモジュールが含まれている。
我々は,大規模データセットLaSOTを長時間のビデオシーケンスで実験し,GUSOTが軽量な高性能トラッキングソリューションを提供することを示す。
論文 参考訳(メタデータ) (2022-07-15T17:42:49Z) - Unified Transformer Tracker for Object Tracking [58.65901124158068]
異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。
SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
論文 参考訳(メタデータ) (2022-03-29T01:38:49Z) - 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) - UHP-SOT: An Unsupervised High-Performance Single Object Tracker [25.519054983049198]
前景と背景の相関を利用した教師なしオンラインオブジェクト追跡手法を提案する。
UHP-SOTは,1)外観モデル更新,2)背景動きモデリング,3)軌道ベースボックス予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2021-10-05T04:04:09Z) - Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。
しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。
そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文 参考訳(メタデータ) (2021-07-07T00:52:16Z) - 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) - DEFT: Detection Embeddings for Tracking [3.326320568999945]
我々は,DEFT と呼ばれる効率的な関節検出・追跡モデルを提案する。
提案手法は,外見に基づくオブジェクトマッチングネットワークと,下層のオブジェクト検出ネットワークとの協調学習に依存している。
DEFTは2Dオンライントラッキングリーダーボードのトップメソッドに匹敵する精度とスピードを持っている。
論文 参考訳(メタデータ) (2021-02-03T20:00:44Z)
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。