論文の概要: Beyond Greedy Search: Tracking by Multi-Agent Reinforcement Learning-based Beam Search

• arxiv url: http://arxiv.org/abs/2205.09676v1
• Date: Thu, 19 May 2022 16:35:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 11:57:14.099299
• Title: Beyond Greedy Search: Tracking by Multi-Agent Reinforcement Learning-based Beam Search
• Title（参考訳）: Beyond Greedy Search: マルチエージェント強化学習に基づくビームサーチによる追跡
• Authors: Xiao Wang, Zhe Chen, Jin Tang, Bin Luo, Dacheng Tao
• Abstract要約: 既存のトラッカーは通常、フレーム毎のトラッキング結果として最大スコアの場所または提案を選択する。 本稿では,この問題に対処するために,新しいマルチエージェント強化学習に基づくビームサーチ戦略(BeamTracking と呼ばれる)を提案する。
• 参考スコア（独自算出の注目度）: 103.53249725360286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing trackers usually select a location or proposal with the maximum score as tracking result for each frame. However, such greedy search scheme maybe not the optimal choice, especially when encountering challenging tracking scenarios like heavy occlusions and fast motion. Since the accumulated errors would make response scores not reliable anymore. In this paper, we propose a novel multi-agent reinforcement learning based beam search strategy (termed BeamTracking) to address this issue. Specifically, we formulate the tracking as a sample selection problem fulfilled by multiple parallel decision-making processes, each of which aims at picking out one sample as their tracking result in each frame. We take the target feature, proposal feature, and its response score as state, and also consider actions predicted by nearby agent, to train multi-agents to select their actions. When all the frames are processed, we select the trajectory with the maximum accumulated score as the tracking result. Extensive experiments on seven popular tracking benchmark datasets validated the effectiveness of the proposed algorithm.
• Abstract（参考訳）: 既存のトラッカーは通常、フレーム毎のトラッキング結果として最大スコアの場所または提案を選択する。 しかし、そのような欲深い検索方式は、特に重い咬合や速い動きといった困難な追跡シナリオに遭遇する場合、最適選択ではないかもしれない。 累積エラーにより、レスポンススコアはもはや信頼できない。 本稿では,本課題に対処するために,新しいマルチエージェント強化学習ベースビーム探索戦略(ビームトラッキング)を提案する。 具体的には、複数の並列決定プロセスによって達成されるサンプル選択問題としてトラッキングを定式化し、それぞれのフレームにおいて、トラッキング結果として1つのサンプルを抽出する。 我々は,ターゲット機能,提案機能,応答スコアを状態とし,近接エージェントが予測する行動も考慮し,複数のエージェントが行動を選択するように訓練する。 全てのフレームが処理されると、追跡結果として最大累積スコアで軌道を選択する。 7つの人気のあるトラッキングベンチマークデータセットに関する広範囲な実験により、提案アルゴリズムの有効性が検証された。

関連論文リスト

• 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)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
  そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。 提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-11-17T08:17:49Z)
• CoCoLoT: Combining Complementary Trackers in Long-Term Visual Tracking [17.2557973738397]
  本稿では,長期追跡性能を向上させるために,補完的な視覚トラッカーの特性を組み合わせたCoCoLoTというフレームワークを提案する。 CoCoLoTは、オンライン学習された深層検証モデルを通じて、トラッカーが対象オブジェクトをフォローしているかどうかを認識し、意思決定ポリシーを起動する。 提案手法は広範に評価され、他のいくつかのソリューションとの比較により、最も人気のある視覚的追跡ベンチマークにおいて最先端の手法と競合することが判明した。
  論文  参考訳（メタデータ） (2022-05-09T13:25:13Z)
• A Bayesian Detect to Track System for Robust Visual Object Tracking and Semi-Supervised Model Learning [1.7268829007643391]
  ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。 本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。 粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2022-05-05T00:18:57Z)
• Tracking by Joint Local and Global Search: A Target-aware Attention based Approach [63.50045332644818]
  本研究では、ロバストな追跡のための局所的・グローバルな共同探索を行うための新たな目標認識型アテンション機構(TANet)を提案する。 具体的には、ターゲットオブジェクトパッチと連続ビデオフレームの特徴を抽出し、それらをデコーダネットワークに追従して、ターゲットを意識したグローバルアテンションマップを生成する。 追跡手順において、ロバストな追跡のための候補探索領域を探索することにより、ターゲット認識の注意を複数のトラッカーと統合する。
  論文  参考訳（メタデータ） (2021-06-09T06:54:15Z)
• Dynamic Attention guided Multi-Trajectory Analysis for Single Object Tracking [62.13213518417047]
  動的注意誘導型マルチ軌道追跡戦略を考案し,さらにダイナミクスを導入することを提案する。 特に、複数のターゲットテンプレートを含む動的外観モデルを構築し、それぞれが新しいフレーム内のターゲットを特定するのに独自の注意を払っています。 シーケンス全体にまたがった後、マルチ軌道選択ネットワークを導入し、トラッキング性能を向上させた最適な軌道を見つけます。
  論文  参考訳（メタデータ） (2021-03-30T05:36:31Z)
• Revisiting the details when evaluating a visual tracker [0.0]
  本報告では,単一オブジェクト追跡に着目し,広く使用されているotbciteotbベンチマークに基づくトラッカ評価の詳細を再検討する。 実験結果から,追跡アルゴリズムには絶対的な勝者が存在しない可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-25T13:43:27Z)
• AAA: Adaptive Aggregation of Arbitrary Online Trackers with Theoretical Performance Guarantee [9.410583483182657]
  画像シーケンスによってターゲットの外観が大きく変化するため,全能オンライントラッカーの実現は困難である。 本稿では,任意のオンライントラッカーを適応的に集約するオンライントラッカーを提案する。
  論文  参考訳（メタデータ） (2020-09-19T14:16:01Z)

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。