論文の概要: An efficient real-time target tracking algorithm using adaptive feature
fusion
- arxiv url: http://arxiv.org/abs/2204.02054v1
- Date: Tue, 5 Apr 2022 08:40:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 13:32:35.155078
- Title: An efficient real-time target tracking algorithm using adaptive feature
fusion
- Title（参考訳）: 適応的特徴融合を用いた効率的なリアルタイム目標追跡アルゴリズム
- Authors: Yanyan Liu, Changcheng Pan, Minglin Bie, and Jin Li
- Abstract要約: 低次元適応型特徴融合に基づく効率的なリアルタイム目標追跡手法を提案する。
提案アルゴリズムは、それぞれ0.023と0.019の改善により、より高い成功率と精度を得ることができる。
提案手法は,複雑な環境下でのリアルタイムな目標追従タスクを実現するための,より有望な方法である。
- 参考スコア（独自算出の注目度）: 5.629708188348423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual-based target tracking is easily influenced by multiple factors, such
as background clutter, targets fast-moving, illumination variation, object
shape change, occlusion, etc. These factors influence the tracking accuracy of
a target tracking task. To address this issue, an efficient real-time target
tracking method based on a low-dimension adaptive feature fusion is proposed to
allow us the simultaneous implementation of the high-accuracy and real-time
target tracking. First, the adaptive fusion of a histogram of oriented gradient
(HOG) feature and color feature is utilized to improve the tracking accuracy.
Second, a convolution dimension reduction method applies to the fusion between
the HOG feature and color feature to reduce the over-fitting caused by their
high-dimension fusions. Third, an average correlation energy estimation method
is used to extract the relative confidence adaptive coefficients to ensure
tracking accuracy. We experimentally confirm the proposed method on an OTB100
data set. Compared with nine popular target tracking algorithms, the proposed
algorithm gains the highest tracking accuracy and success tracking rate.
Compared with the traditional Sum of Template and Pixel-wise LEarners (STAPLE)
algorithm, the proposed algorithm can obtain a higher success rate and
accuracy, improving by 0.023 and 0.019, respectively. The experimental results
also demonstrate that the proposed algorithm can reach the real-time target
tracking with 50 fps. The proposed method paves a more promising way for
real-time target tracking tasks under a complex environment, such as appearance
deformation, illumination change, motion blur, background, similarity, scale
change, and occlusion.
- Abstract（参考訳）: 視覚に基づく目標追跡は、背景クラッタ、高速移動、照明変動、物体形状の変化、閉塞など、複数の要因の影響を受けやすい。
これらの要因は目標追跡タスクの追跡精度に影響を与える。
この問題に対処するために,低次元適応型特徴量融合に基づく効率的なリアルタイム目標追跡手法を提案し,高精度かつリアルタイムな目標追跡を同時に実現する。
まず、指向性勾配(HOG)特徴と色特徴のヒストグラムの適応融合を利用して追跡精度を向上させる。
第二に、畳み込み次元低減法は、HOG特徴と色特徴との融合に適用し、高次元融合による過度適合を低減する。
第3に、相対信頼度適応係数を抽出し、追跡精度を確保するために平均相関エネルギー推定法を用いる。
OTB100データセット上で提案手法を実験的に検証する。
9つの一般的な目標追跡アルゴリズムと比較して,提案アルゴリズムは追尾精度と追尾率が最も高い。
従来の Sum of Template と Pixel-wise LEarners (STAPLE) アルゴリズムと比較して,提案アルゴリズムは,それぞれ 0.023 と 0.019 の精度で高い成功率と精度が得られる。
実験の結果,提案アルゴリズムは50fpsのリアルタイム目標追跡に到達可能であることが示された。
提案手法は, 外観変形, 照明変化, 動きのぼやけ, 背景, 類似性, スケール変化, 閉塞など, 複雑な環境下でのリアルタイム目標追跡タスクに対して, より有望な方法である。
関連論文リスト
- Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。
我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。
さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。
近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
論文 参考訳（メタデータ） (2024-07-22T04:32:43Z) - RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。
具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。
我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
論文 参考訳（メタデータ） (2024-03-28T08:54:40Z) - Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。
まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。
第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文 参考訳（メタデータ） (2023-09-15T09:18:54Z) - SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。
トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。
検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
論文 参考訳（メタデータ） (2023-05-16T15:18:42Z) - Real-time Multi-Object Tracking Based on Bi-directional Matching [0.0]
本研究では,多目的追跡のための双方向マッチングアルゴリズムを提案する。
ストランド領域はマッチングアルゴリズムで使われ、追跡できないオブジェクトを一時的に保存する。
MOT17チャレンジでは、提案アルゴリズムは63.4%のMOTA、55.3%のIDF1、20.1のFPS追跡速度を達成した。
論文 参考訳（メタデータ） (2023-03-15T08:38:08Z) - Towards Real-Time Visual Tracking with Graded Color-names Features [10.475679500780574]
MeanShiftアルゴリズムは、その単純さと効率性から、タスクのトラッキングに広く利用されている。
従来のMeanShiftアルゴリズムでは、ターゲットの初期領域をラベル付けする必要があるため、アルゴリズムの適用性が低下する。
我々は,背景モデルと色名の階調特徴を組み合わせた追跡手法をMeanShiftフレームワークで開発する。
論文 参考訳（メタデータ） (2022-06-17T11:38:37Z) - Learning Dynamic Compact Memory Embedding for Deformable Visual Object
Tracking [82.34356879078955]
本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。
DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
論文 参考訳（メタデータ） (2021-11-23T03:07:12Z) - ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。
この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。
特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
論文 参考訳（メタデータ） (2021-10-10T09:35:15Z) - Video Annotation for Visual Tracking via Selection and Refinement [74.08109740917122]
ビデオシーケンスのバウンディングボックスアノテーションを容易にするための新しいフレームワークを提案する。
目標位置の時間的コヒーレンスを捉えることのできる時間的アセスメントネットワークを提案する。
また、選択したトラッキング結果をさらに強化するために、ビジュアルジオメトリ・リファインメント・ネットワークが設計されている。
論文 参考訳（メタデータ） (2021-08-09T05:56:47Z) - Efficient and accurate object detection with simultaneous classification
and tracking [1.4620086904601473]
本稿では,ポイントストリーム内の同時分類と追跡に基づく検出フレームワークを提案する。
このフレームワークでは、トラッカーが点雲のシーケンスでデータアソシエーションを行い、冗長な処理を避けるために検出器を誘導する。
ベンチマーク・データセットを用いて実験を行い,提案手法が従来のトラッキング・バイ・ディテクト・アプローチより優れていることを示した。
論文 参考訳（メタデータ） (2020-07-04T10:22:33Z) - Learning to Optimize Non-Rigid Tracking [54.94145312763044]
我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。
まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。
次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
論文 参考訳（メタデータ） (2020-03-27T04:40:57Z)
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。