論文の概要: Single Object Tracking: A Survey of Methods, Datasets, and Evaluation Metrics

• arxiv url: http://arxiv.org/abs/2201.13066v1
• Date: Mon, 31 Jan 2022 08:45:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 00:10:07.809921
• Title: Single Object Tracking: A Survey of Methods, Datasets, and Evaluation Metrics
• Title（参考訳）: 単一オブジェクト追跡:メソッド,データセット,評価メトリクスの調査
• Authors: Zahra Soleimanitaleb, Mohammad Ali Keyvanrad
• Abstract要約: 本稿では、以下の対象の異なる戦略を検査し、包括的分類を示す。 本論文の最も中心となるのは, 学習に基づく戦略であり, 生成戦略, 差別戦略, 強化学習の3つのカテゴリに分類される。 一般的に使用されるさまざまなデータセットと評価方法が導入される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object tracking is one of the foremost assignments in computer vision that has numerous commonsense applications such as traffic monitoring, robotics, autonomous vehicle tracking, and so on. Different researches have been tried later a long time, but since of diverse challenges such as occlusion, illumination variations, fast motion, etc. researches in this area continues. In this paper, different strategies of the following objects are inspected and a comprehensive classification is displayed that classified the following strategies into four fundamental categories of feature-based, segmentation-based, estimation-based, and learning-based methods that each of which has its claim sub-categories. The most center of this paper is on learning-based strategies, which are classified into three categories of generative strategies, discriminative strategies, and reinforcement learning. One of the sub-categories of the discriminative show is deep learning. Since of high-performance, deep learning has as of late been exceptionally much consider. Finally, the different datasets and the evaluation methods that are most commonly used will be introduced.
• Abstract（参考訳）: オブジェクト追跡は、交通監視、ロボティクス、自動運転車の追跡など、多くの一般的な応用があるコンピュータビジョンにおける最重要課題の1つである。 その後、様々な研究が試みられてきたが、この領域における閉塞、照明の変化、高速運動など様々な課題が続いている。 本稿では,次に掲げる対象の異なる戦略を検証し,以下の戦略を,特徴に基づく,区分に基づく,推定に基づく,学習に基づく4つの基本的なカテゴリに分類した総合的な分類を示す。 本論文の最も中心となるのは学習戦略であり, 生成戦略, 識別戦略, 強化学習の3つのカテゴリに分類される。 差別的ショーのサブカテゴリの1つはディープラーニングである。 ハイパフォーマンス以来、ディープラーニングは遅かれ早かれ非常に検討されている。 最後に、最も一般的に使用される異なるデータセットと評価方法が導入される。

関連論文リスト

• Less Is More: A Comparison of Active Learning Strategies for 3D Medical Image Segmentation [0.0]
  文献では様々なアクティブラーニング戦略が提案されているが、その効果はデータセットとトレーニングシナリオに大きく依存している。 医療宣言から得られた3つのデータセットに対して,いくつかのよく知られたアクティブラーニング戦略の性能を評価する。
  論文  参考訳（メタデータ） (2022-07-02T14:27:58Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• Continual Object Detection: A review of definitions, strategies, and challenges [0.0]
  連続学習の分野は、以前に学習したタスクのパフォーマンスを損なうことなく連続的なタスクを学習する能力を調べる。 我々は、ロボット工学や自動運転車における幅広い応用のために、連続物体検出の研究がさらに注目に値すると考えている。
  論文  参考訳（メタデータ） (2022-05-30T21:57:48Z)
• Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
  Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• Few-Shot Object Detection: A Survey [4.266990593059534]
  オブジェクト検出は、ターゲットドメイン内の新しいカテゴリの少数のオブジェクトインスタンスから学ぶことを目的としている。 トレーニング手法とアーキテクチャレイアウトに応じてアプローチを分類する。 一般的なデータセットとその評価プロトコルを導入し,ベンチマーク結果を解析する。
  論文  参考訳（メタデータ） (2021-12-22T07:08:53Z)
• Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
  少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。 少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。 本稿では,メタナビゲータ(Meta Navigator)について紹介する。
  論文  参考訳（メタデータ） (2021-09-13T07:20:01Z)
• Deep Metric Learning for Few-Shot Image Classification: A Selective Review [38.71276383292809]
  少ないショット画像分類は、少数の画像のみに基づいて人間の認識レベルを達成することを目的とした課題である。 近年,メタラーニングやトランスファーラーニング,メトリックラーニングといったディープラーニングアルゴリズムが採用され,最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-05-17T20:27:59Z)
• Recent Progress in Appearance-based Action Recognition [73.6405863243707]
  アクション認識は、ビデオ内の様々な人間の行動を特定するタスクである。 最近の外見に基づく手法は、正確な行動認識に向けて有望な進歩を遂げている。
  論文  参考訳（メタデータ） (2020-11-25T10:18:12Z)
• Dataset Bias in Few-shot Image Recognition [57.25445414402398]
  まず,基本カテゴリから学習した伝達可能能力の影響について検討する。 第2に、データセット構造と異なる少数ショット学習方法から、異なるデータセットのパフォーマンス差について検討する。
  論文  参考訳（メタデータ） (2020-08-18T14:46:23Z)
• Multi-Task Incremental Learning for Object Detection [71.57155077119839]
  マルチタスクは、知識と計算を共有しながら、複数のタスクを学習する。 古いデータにアクセスせずに漸進的に学習すると、過去の知識を壊滅的に忘れてしまう。
  論文  参考訳（メタデータ） (2020-02-13T04:58:37Z)

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。