論文の概要: Towards Real-Time Visual Tracking with Graded Color-names Features
- arxiv url: http://arxiv.org/abs/2206.08701v1
- Date: Fri, 17 Jun 2022 11:38:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 22:07:17.345076
- Title: Towards Real-Time Visual Tracking with Graded Color-names Features
- Title（参考訳）: 色名機能付きリアルタイムビジュアルトラッキングの実現に向けて
- Authors: Lin Li, Guoli Wang, Xuemei Guo,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.475679500780574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: MeanShift algorithm has been widely used in tracking tasks because of its
simplicity and efficiency. However, the traditional MeanShift algorithm needs
to label the initial region of the target, which reduces the applicability of
the algorithm. Furthermore, it is only applicable to the scene with a large
overlap rate between the target area and the candidate area. Therefore, when
the target speed is fast, the target scale change, shape deformation or the
target occlusion occurs, the tracking performance will be deteriorated. In this
paper, we address the challenges above-mentioned by developing a tracking
method that combines the background models and the graded features of
color-names under the MeanShift framework. This method significantly improve
performance in the above scenarios. In addition, it facilitates the balance
between detection accuracy and detection speed. Experimental results
demonstrate the validation of the proposed method.
- Abstract（参考訳）: meanshiftアルゴリズムは、シンプルさと効率性から、タスク追跡に広く使われている。
しかし、従来のMeanShiftアルゴリズム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。
さらに、ターゲット領域と候補領域との重複率が大きいシーンにのみ適用可能である。
したがって、目標速度が速ければ、目標スケールの変化、形状変形、または目標閉塞が発生すると、追跡性能が低下する。
本稿では,MeanShift フレームワークの下で,背景モデルと色名のグレード化機能を組み合わせたトラッキング手法を開発することにより,上記の課題に対処する。
この方法は上記のシナリオのパフォーマンスを大幅に改善する。
さらに、検出精度と検出速度のバランスを容易にする。
実験の結果,提案手法の有効性が示された。
関連論文リスト
- PostEdit: Posterior Sampling for Efficient Zero-Shot Image Editing [63.38854614997581]
拡散サンプリングプロセスを制御するために後続のスキームを組み込んだPostEditを導入する。
提案したPostEditは、未編集領域を正確に保存しながら、最先端の編集性能を実現する。
インバージョンもトレーニングも不要で、約1.5秒と18GBのGPUメモリを必要とするため、高品質な結果が得られる。
論文 参考訳（メタデータ） (2024-10-07T09:04:50Z) - 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) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - 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) - Logit Margin Matters: Improving Transferable Targeted Adversarial Attack
by Logit Calibration [85.71545080119026]
クロスエントロピー(CE)損失関数は、伝達可能な標的対向例を学習するには不十分である。
本稿では,ロジットを温度係数と適応マージンでダウンスケールすることで,ロジットのキャリブレーションを簡易かつ効果的に行う2つの手法を提案する。
ImageNetデータセットを用いて実験を行い,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-03-07T06:42:52Z) - An efficient real-time target tracking algorithm using adaptive feature
fusion [5.629708188348423]
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。
論文 参考訳（メタデータ） (2022-04-05T08:40:52Z) - Adaptive Perturbation for Adversarial Attack [50.77612889697216]
そこで本研究では,新たな逆例に対する勾配に基づく攻撃手法を提案する。
逆方向の摂動を発生させるために,スケーリング係数を用いた正確な勾配方向を用いる。
本手法は, 高い伝達性を示し, 最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-11-27T07:57:41Z) - 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) - Class agnostic moving target detection by color and location prediction
of moving area [11.326363150470204]
移動目標検出はコンピュータビジョンにおいて重要な役割を果たす。
ディープラーニングベースの畳み込みニューラルネットワークのような最近のアルゴリズムは、高精度でリアルタイムのパフォーマンスを実現している。
モデル自由移動目標検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-24T12:34:58Z) - Fast Template Matching and Update for Video Object Tracking and
Segmentation [56.465510428878]
私たちが取り組もうとしている主な課題は、フレームの列にまたがるマルチインスタンスの半教師付きビデオオブジェクトセグメンテーションである。
課題は、結果を予測するためのマッチングメソッドの選択と、ターゲットテンプレートを更新するかどうかを決定することである。
本稿では,これら2つの決定を同時に行うために,強化学習を利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-04-16T08:58:45Z)
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。