論文の概要: In Defense of Subspace Tracker: Orthogonal Embedding for Visual Tracking

• arxiv url: http://arxiv.org/abs/2204.07927v1
• Date: Sun, 17 Apr 2022 05:03:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 04:38:19.222930
• Title: In Defense of Subspace Tracker: Orthogonal Embedding for Visual Tracking
• Title（参考訳）: サブスペーストラッカーの防御:ビジュアルトラッカーの直交埋め込み
• Authors: Yao Sui, Guanghui Wang, Li Zhang
• Abstract要約: 本論文は、連続するフレームのターゲットが、その外観の類似性から、低次元のサブスペースや多様体に存在すると考えられるという事実に基づいて、古典的な追跡モデルである部分空間学習に焦点を当てる。 直近の結果から,近年の局地的対象とその周辺環境から学習した識別能力を持つ部分空間によって追跡性能が向上することが明らかとなり,本研究はそのような問題を解決することを目的としている。 目標と周囲の背景を確実に分離する識別的アプローチを、共同学習によりサブスペース学習に注入し、より優れた次元適応的サブスペースを実現する。
• 参考スコア（独自算出の注目度）: 27.8663037916871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper focuses on a classical tracking model, subspace learning, grounded on the fact that the targets in successive frames are considered to reside in a low-dimensional subspace or manifold due to the similarity in their appearances. In recent years, a number of subspace trackers have been proposed and obtained impressive results. Inspired by the most recent results that the tracking performance is boosted by the subspace with discrimination capability learned over the recently localized targets and their immediately surrounding background, this work aims at solving such a problem: how to learn a robust low-dimensional subspace to accurately and discriminatively represent these target and background samples. To this end, a discriminative approach, which reliably separates the target from its surrounding background, is injected into the subspace learning by means of joint learning, achieving a dimension-adaptive subspace with superior discrimination capability. The proposed approach is extensively evaluated and compared with the state-of-the-art trackers on four popular tracking benchmarks. The experimental results demonstrate that the proposed tracker performs competitively against its counterparts. In particular, it achieves more than 9% performance increase compared with the state-of-the-art subspace trackers.
• Abstract（参考訳）: 従来の追跡モデルである部分空間学習(subspace learning)に焦点をあて、一連のフレームの目標が、その外観の類似性から低次元部分空間や多様体に存在すると考えられることに着目する。 近年、いくつかのサブスペーストラッカーが提案され、印象的な結果が得られた。 この研究は,近年の局所的対象とその周辺背景から学習した識別能力を持つサブスペースによって追跡性能が向上する,という最近の結果にインスパイアされ,これらのターゲットと背景サンプルを正確に識別するために,頑健な低次元部分空間を学習する方法という課題を解決しようとしている。 これにより、目標と周囲の背景とを確実に分離した判別アプローチを、共同学習によりサブスペース学習に注入し、優れた識別能力を有する次元適応サブスペースを実現する。 提案手法は,4つの一般的な追跡ベンチマークにおける最先端トラッカーと比較して,広範囲に評価されている。 実験により,提案したトラッカーは,そのトラッカーと競合する性能を示した。 特に、最先端のサブスペーストラッカと比較して、9%以上のパフォーマンス向上を達成している。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• From Patches to Objects: Exploiting Spatial Reasoning for Better Visual Representations [2.363388546004777]
  本研究では,空間的推論に基づく新しい予備的事前学習手法を提案する。 本提案手法は,識別的自己管理手法の補助的タスクとして空間推論を導入することで,より柔軟なコントラスト学習の定式化を実現する。
  論文  参考訳（メタデータ） (2023-05-21T07:46:46Z)
• WDiscOOD: Out-of-Distribution Detection via Whitened Linear Discriminant Analysis [21.023001428704085]
  本稿では,クラス固有情報とクラス非依存情報に基づく新しい特徴空間OOD検出スコアを提案する。 WDiscOODという手法の有効性を,大規模なImageNet-1kベンチマークで検証した。
  論文  参考訳（メタデータ） (2023-03-14T00:13:57Z)
• Towards Class-agnostic Tracking Using Feature Decorrelation in Point Clouds [9.321928362927965]
  点雲における単一物体追跡は、LiDARセンサーが3次元視界に存在するため、ますます注目を集めている。 ディープニューラルネットワークに基づく既存の方法は、主に異なるカテゴリの異なるモデルをトレーニングすることに焦点を当てている。 この作業では、LiDARポイントクラウド、クラスに依存しないトラッキングにおいて、私たちの思考をより難しいタスクにします。
  論文  参考訳（メタデータ） (2022-02-28T03:33:03Z)
• Space Non-cooperative Object Active Tracking with Deep Reinforcement Learning [1.212848031108815]
  DRLAVTと命名されたDQNアルゴリズムに基づくエンドツーエンドのアクティブなトラッキング手法を提案する。 追尾宇宙船のアプローチを、色やRGBD画像にのみ依存した任意の空間の非協力目標に導くことができる。 位置ベースのビジュアルサーボベースラインアルゴリズムでは、最先端の2DモノクロトラッカーであるSiamRPNをはるかに上回っている。
  論文  参考訳（メタデータ） (2021-12-18T06:12:24Z)
• Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
  数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。 ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。 我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
  論文  参考訳（メタデータ） (2021-12-01T03:36:58Z)
• PANet: Perspective-Aware Network with Dynamic Receptive Fields and Self-Distilling Supervision for Crowd Counting [63.84828478688975]
  本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。 対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。 このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2021-10-31T04:43:05Z)
• TSG: Target-Selective Gradient Backprop for Probing CNN Visual Saliency [72.9106103283475]
  我々は、畳み込みニューラルネットワークを解釈するために視覚的サリエンシ、すなわち視覚的説明について研究する。 これらの観測に触発されて、我々はTSG(Target-Selective Gradient)バックプロップと呼ばれる新しいビジュアル・サリエンシ・フレームワークを提案する。 提案したTSGはTSG-ConvとTSG-FCの2つのコンポーネントから構成され、それぞれ畳み込み層と完全連結層の勾配を補正する。
  論文  参考訳（メタデータ） (2021-10-11T12:00:20Z)
• Saliency-Associated Object Tracking [42.79662997199292]
  そこで本研究では,対象の局所的な局所的な部分の追跡について検討する。 特に,局所的な塩分を捕捉する微細な塩分採掘モジュールを提案する。 5つの多様なデータセットの実験により,提案手法が最先端トラッカーに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-08-08T13:54:09Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)

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。