論文の概要: Dynamic Template Selection Through Change Detection for Adaptive Siamese Tracking

• arxiv url: http://arxiv.org/abs/2203.03181v1
• Date: Mon, 7 Mar 2022 07:27:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 01:17:43.090907
• Title: Dynamic Template Selection Through Change Detection for Adaptive Siamese Tracking
• Title（参考訳）: Adaptive Siamese Trackingにおける変化検出による動的テンプレート選択
• Authors: Madhu Kiran, Le Thanh Nguyen-Meidine, Rajat Sahay, Rafael Menelau Oliveira E Cruz, Louis-Antoine Blais-Morin, Eric Granger
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.662745552551165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Siamese trackers have recently gained much attention in recent years since they can track visual objects at high speeds. Additionally, adaptive tracking methods, where target samples collected by the tracker are employed for online learning, have achieved state-of-the-art accuracy. However, single object tracking (SOT) remains a challenging task in real-world application due to changes and deformations in a target object's appearance. Learning on all the collected samples may lead to catastrophic forgetting, and thereby corrupt the tracking model. In this paper, SOT is formulated as an online incremental learning problem. A new method is proposed for dynamic sample selection and memory replay, preventing template corruption. In particular, we propose a change detection mechanism to detect gradual changes in object appearance and select the corresponding samples for online adaption. In addition, an entropy-based sample selection strategy is introduced to maintain a diversified auxiliary buffer for memory replay. Our proposed method can be integrated into any object tracking algorithm that leverages online learning for model adaptation. Extensive experiments conducted on the OTB-100, LaSOT, UAV123, and TrackingNet datasets highlight the cost-effectiveness of our method, along with the contribution of its key components. Results indicate that integrating our proposed method into state-of-art adaptive Siamese trackers can increase the potential benefits of a template update strategy, and significantly improve performance.
• Abstract（参考訳）: ディープ・シャム・トラッカーは最近、高速で視覚物体を追跡できるため、多くの注目を集めている。 さらに、オンライン学習にトラッカーが収集したターゲットサンプルを用いる適応的追跡手法は、最先端の精度を実現している。 しかし、ターゲットオブジェクトの外観の変化や変形のため、シングルオブジェクトトラッキング(SOT)は現実のアプリケーションでは難しい課題である。 すべてのサンプルを学習することで、破滅的な忘れを招き、追跡モデルを破損させる可能性がある。 本稿では,SOTをオンラインインクリメンタル学習問題として定式化する。 テンプレート破損を防止し,動的サンプル選択とメモリリプレイを行う新しい手法を提案する。 特に,物体の出現の段階的な変化を検知し,オンライン適応のためのサンプルを選択するための変化検出機構を提案する。 さらに、メモリ再生のための多様化された補助バッファを維持するために、エントロピーに基づくサンプル選択戦略を導入する。 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統合できる。 OTB-100、LaSOT、UAV123、TrackingNetデータセットで実施された大規模な実験は、主要なコンポーネントの寄与とともに、我々の手法のコスト効果を強調した。 その結果,提案手法を最先端適応型シームズトラッカーに統合することにより,テンプレート更新戦略のメリットを向上し,性能を著しく向上できることがわかった。

関連論文リスト

• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Autoregressive Queries for Adaptive Tracking with Spatio-TemporalTransformers [55.46413719810273]
  リッチ時間情報は、視覚追跡における複雑なターゲットの出現に不可欠である。 提案手法は,6つの一般的な追跡ベンチマークにおいてトラッカーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T02:39:26Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Adaptive Siamese Tracking with a Compact Latent Network [219.38172719948048]
  追跡タスクを分類に変換することで,シームズをベースとしたトラッカーを簡易化する直感的なビューを提供する。 そこで本研究では,視覚シミュレーションと実追跡例を用いて,詳細な解析を行う。 そこで我々は,古典的なSiamRPN++,SiamFC,SiamBANの3つのトラッカーを調整した。
  論文  参考訳（メタデータ） (2023-02-02T08:06:02Z)
• Generative Target Update for Adaptive Siamese Tracking [7.662745552551165]
  シームズトラッカーは、検索領域内のオブジェクトをローカライズするためにテンプレート(ターゲットモデル)と類似性マッチングを行う。 文献では、現在のフレームのターゲット探索領域から抽出されるトラッカー出力に基づいてテンプレートを更新するためのいくつかの戦略が提案されている。 本稿では,複数フレームのオブジェクト探索領域から合成テンプレートを生成するため,生成モデルを用いたシームズトラッカーのモデル適応手法を提案する。
  論文  参考訳（メタデータ） (2022-02-21T00:22:49Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• Dynamic Scale Training for Object Detection [111.33112051962514]
  本稿では,オブジェクト検出におけるスケール変動問題を軽減するために,動的スケールトレーニングパラダイム(DST)を提案する。 提案したDSTのスケール変動処理に対する有効性を示す実験結果を得た。 推論オーバーヘッドを導入せず、一般的な検出設定のための無料ランチとして機能する。
  論文  参考訳（メタデータ） (2020-04-26T16:48:17Z)
• Progressive Multi-Stage Learning for Discriminative Tracking [25.94944743206374]
  本稿では,頑健な視覚追跡のためのサンプル選択の段階的多段階最適化ポリシを用いた共同識別学習手法を提案する。 提案手法は, 時間重み付き, 検出誘導型セルフペースト学習戦略により, 簡単なサンプル選択を行う。 ベンチマークデータセットの実験では、提案した学習フレームワークの有効性が示されている。
  論文  参考訳（メタデータ） (2020-04-01T07:01:30Z)

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。