論文の概要: Unsupervised Learning of Accurate Siamese Tracking

• arxiv url: http://arxiv.org/abs/2204.01475v1
• Date: Mon, 4 Apr 2022 13:39:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 20:37:21.606643
• Title: Unsupervised Learning of Accurate Siamese Tracking
• Title（参考訳）: 正確なシャム追跡の教師なし学習
• Authors: Qiuhong Shen, Lei Qiao, Jinyang Guo, Peixia Li, Xin Li, Bo Li, Weitao Feng, Weihao Gan, Wei Wu, Wanli Ouyang
• Abstract要約: 分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
• 参考スコア（独自算出の注目度）: 68.58171095173056
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Unsupervised learning has been popular in various computer vision tasks, including visual object tracking. However, prior unsupervised tracking approaches rely heavily on spatial supervision from template-search pairs and are still unable to track objects with strong variation over a long time span. As unlimited self-supervision signals can be obtained by tracking a video along a cycle in time, we investigate evolving a Siamese tracker by tracking videos forward-backward. We present a novel unsupervised tracking framework, in which we can learn temporal correspondence both on the classification branch and regression branch. Specifically, to propagate reliable template feature in the forward propagation process so that the tracker can be trained in the cycle, we first propose a consistency propagation transformation. We then identify an ill-posed penalty problem in conventional cycle training in backward propagation process. Thus, a differentiable region mask is proposed to select features as well as to implicitly penalize tracking errors on intermediate frames. Moreover, since noisy labels may degrade training, we propose a mask-guided loss reweighting strategy to assign dynamic weights based on the quality of pseudo labels. In extensive experiments, our tracker outperforms preceding unsupervised methods by a substantial margin, performing on par with supervised methods on large-scale datasets such as TrackingNet and LaSOT. Code is available at https://github.com/FlorinShum/ULAST.
• Abstract（参考訳）: 教師なし学習は、視覚オブジェクト追跡を含む様々なコンピュータビジョンタスクで人気がある。 しかし、事前の教師なし追跡アプローチはテンプレート検索ペアからの空間的監視に大きく依存しており、長い時間にわたって強い変動を持つ物体を追跡できない。 サイクルに沿ってビデオを追跡することで、無制限の自己超越信号を得ることができるので、ビデオの前後の動きを追跡することで、シームズトラッカーの進化について検討する。 本稿では,分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 具体的には,フォワードプロパゲーションプロセスにおいて信頼性の高いテンプレート機能を伝達し,トラッカをそのサイクルでトレーニングするために,まず一貫性伝播変換を提案する。 次に, 後進伝播過程における従来のサイクルトレーニングにおいて, 不適切なペナルティ問題を特定する。 そこで,中間フレームにおける追跡誤差を暗黙的にペナルティすると同時に,特徴の選択を行うための領域マスクを提案する。 さらに,ノイズラベルはトレーニングを劣化させる可能性があるため,擬似ラベルの品質に基づいた動的重み付けを行うマスク誘導損失重み付け手法を提案する。 広範な実験では,trackingnet や lasot などの大規模データセットにおける教師なしメソッドと同等の精度で,教師なしメソッドよりも有意な差をみせている。 コードはhttps://github.com/FlorinShum/ULASTで公開されている。

関連論文リスト

• Online Deep Clustering with Video Track Consistency [85.8868194550978]
  ビデオオブジェクトトラックから視覚的特徴を学習するための教師なしクラスタリングに基づく手法を提案する。 教師なしのクラス非依存でノイズの多いトラックジェネレータを利用すれば、コストと正確なトラックアノテーションに依存するよりも精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-07T08:11:00Z)
• Learning to Track Objects from Unlabeled Videos [63.149201681380305]
  本稿では,Unsupervised Single Object Tracker (USOT) をスクラッチから学習することを提案する。 教師なしトラッカーと教師なしトラッカーのギャップを狭めるために,3段階からなる効果的な教師なし学習手法を提案する。 実験の結果、未ラベルのビデオから得られたUSOTは、最先端の教師なしトラッカーよりも大きなマージンでうまく機能していることがわかった。
  論文  参考訳（メタデータ） (2021-08-28T22:10:06Z)
• Self-supervised Object Tracking with Cycle-consistent Siamese Networks [55.040249900677225]
  我々は、オブジェクト追跡のためのサイクル一貫性の自己監視フレームワークにおいて、エンドツーエンドのSiameseネットワークを利用する。 トラッキングフレームワークにシームズ領域の提案とマスク回帰ネットワークを統合することで,各フレームのアノテーションを使わずに,より高速で正確なトラッカーを学習できるようにすることを提案する。
  論文  参考訳（メタデータ） (2020-08-03T04:10:38Z)
• Unsupervised Deep Representation Learning for Real-Time Tracking [137.69689503237893]
  視覚追跡のための教師なし学習手法を提案する。 教師なし学習の動機は、ロバストなトラッカーが双方向トラッキングに有効であるべきだということです。 我々は,シームズ相関フィルタネットワーク上にフレームワークを構築し,教師なし学習を容易にするために,多フレーム検証方式とコスト感受性損失を提案する。
  論文  参考訳（メタデータ） (2020-07-22T08:23:12Z)
• 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)
• AFAT: Adaptive Failure-Aware Tracker for Robust Visual Object Tracking [46.82222972389531]
  Siameseのアプローチは近年、ビジュアルオブジェクト追跡において有望なパフォーマンスを実現している。 Siameseパラダイムは、オンライントラッキングタスクをモデル化するためにワンショット学習を使用し、トラッキングプロセスにおけるオンライン適応を妨げる。 本稿では,コンボリューショナルモジュールとLSTMモジュールをベースとしたフェールアウェアシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:21:12Z)
• Unsupervised Multiple Person Tracking using AutoEncoder-Based Lifted Multicuts [11.72025865314187]
  最小限の視覚的特徴とリフトマルチカットに基づく教師なし多重物体追跡手法を提案する。 提案したアノテーションを使わずにトレーニングされているにもかかわらず,我々のモデルは,歩行者追跡のための挑戦的なMOTベンチマークにおいて,競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2020-02-04T09:42:34Z)

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。