論文の概要: AVisT: A Benchmark for Visual Object Tracking in Adverse Visibility

• arxiv url: http://arxiv.org/abs/2208.06888v1
• Date: Sun, 14 Aug 2022 17:49:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 13:57:29.327100
• Title: AVisT: A Benchmark for Visual Object Tracking in Adverse Visibility
• Title（参考訳）: AVisT: 逆可視性におけるビジュアルオブジェクト追跡のベンチマーク
• Authors: Mubashir Noman, Wafa Al Ghallabi, Daniya Najiha, Christoph Mayer, Akshay Dudhane, Martin Danelljan, Hisham Cholakkal, Salman Khan, Luc Van Gool, Fahad Shahbaz Khan
• Abstract要約: AVisTは、視認性の悪いさまざまなシナリオにおける視覚的トラッキングのためのベンチマークである。 AVisTは、80kの注釈付きフレームを持つ120の挑戦的なシーケンスで構成されており、18の多様なシナリオにまたがっている。 我々は、属性間でのトラッキング性能を詳細に分析し、AVisTで17の人気のトラッカーと最近のトラッカーをベンチマークした。
• 参考スコア（独自算出の注目度）: 125.77396380698639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the key factors behind the recent success in visual tracking is the availability of dedicated benchmarks. While being greatly benefiting to the tracking research, existing benchmarks do not pose the same difficulty as before with recent trackers achieving higher performance mainly due to (i) the introduction of more sophisticated transformers-based methods and (ii) the lack of diverse scenarios with adverse visibility such as, severe weather conditions, camouflage and imaging effects. We introduce AVisT, a dedicated benchmark for visual tracking in diverse scenarios with adverse visibility. AVisT comprises 120 challenging sequences with 80k annotated frames, spanning 18 diverse scenarios broadly grouped into five attributes with 42 object categories. The key contribution of AVisT is diverse and challenging scenarios covering severe weather conditions such as, dense fog, heavy rain and sandstorm; obstruction effects including, fire, sun glare and splashing water; adverse imaging effects such as, low-light; target effects including, small targets and distractor objects along with camouflage. We further benchmark 17 popular and recent trackers on AVisT with detailed analysis of their tracking performance across attributes, demonstrating a big room for improvement in performance. We believe that AVisT can greatly benefit the tracking community by complementing the existing benchmarks, in developing new creative tracking solutions in order to continue pushing the boundaries of the state-of-the-art. Our dataset along with the complete tracking performance evaluation is available at: https://github.com/visionml/pytracking
• Abstract（参考訳）: 最近のビジュアルトラッキングの成功の要因の1つは、専用のベンチマークが利用可能になったことである。 追跡研究に多大なメリットがある一方で、既存のベンチマークは、主に高いパフォーマンスを達成する最近のトラッカーでは、以前と同じような困難をもたらさない。 (i)より洗練されたトランス方式の導入 (II) 悪天候, カモフラージュ, 画像効果など, 視認性に悪影響を及ぼす多様なシナリオの欠如。 AVisTは、視認性の悪い様々なシナリオにおける視覚追跡のための専用ベンチマークである。 AVisTは、80kのアノテートフレームを持つ120の挑戦的なシーケンスで構成され、42のオブジェクトカテゴリを持つ5つの属性に広くグループ化された18の多様なシナリオにまたがる。 avistの主な貢献は、濃霧、豪雨、砂嵐などの厳しい気象条件、火災、日光、水しぶきなどの障害効果、低照度などの画像の悪影響、標的効果、小型のターゲット、カモフラージュと共に気晴らしの対象などを含む、多様で挑戦的なシナリオである。 さらに avist の17の人気のあるトラッカーと最近のトラッカーをベンチマークし,属性間のトラッキング性能の詳細な分析を行い,パフォーマンス向上の余地を明らかにした。 AVisTは既存のベンチマークを補完し、最先端の境界を推し進めるため、新しいクリエイティブなトラッキングソリューションを開発することで、トラッキングコミュニティに大きな利益をもたらすと考えています。 私たちのデータセットと完全なトラッキングパフォーマンス評価は、https://github.com/visionml/pytrackingで利用可能です。

関連論文リスト

• NT-VOT211: A Large-Scale Benchmark for Night-time Visual Object Tracking [21.897255266278275]
  本稿では,夜間における視覚的物体追跡アルゴリズムの評価のための新しいベンチマークであるNT-VOT211を提案する。 NT-VOT211は211の多様なビデオで構成されており、カメラモーション、変形、高速モーション、動きのぼやけ、小さなターゲット、邪魔者、オクルージョン、外見など8つの属性を持つ211,000の良質なアノテートフレームを提供している。 これは、これまでで最大の夜間トラッキングベンチマークであり、特に、夜間トラッキングシナリオに固有の、視界の悪さ、画像のぼやけ、イントラクタといった、ユニークな課題に対処するように設計されている。
  論文  参考訳（メタデータ） (2024-10-27T12:19:48Z)
• Low-Light Object Tracking: A Benchmark [9.798869093713067]
  LLOTは、低照度オブジェクト追跡用に特別に設計されたベンチマークである。 LLOTは、合計132Kフレームを持つ269の挑戦的なシーケンスで構成され、それぞれにバウンディングボックスを慎重にアノテートする。 そこで我々は,H-DCPTを提案する。H-DCPT,H-DCPT,H-DCPT,H-DCPT,H-DCPT,H-DCPT,H-DCPT。
  論文  参考訳（メタデータ） (2024-08-21T09:27:57Z)
• Tracking Reflected Objects: A Benchmark [12.770787846444406]
  我々は、反射オブジェクトのトラッキングに特化したベンチマークであるTROを紹介します。 TROは、約70,000フレームの200のシーケンスを含み、それぞれにバウンディングボックスを慎重にアノテートする。 より強力なベースラインを提供するために,階層的特徴を用いて性能を向上させる新しいトラッカーであるHiP-HaTrackを提案する。
  論文  参考訳（メタデータ） (2024-07-07T02:22:45Z)
• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [52.131996528655094]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• Improving Underwater Visual Tracking With a Large Scale Dataset and Image Enhancement [70.2429155741593]
  本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。 水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。 本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。 この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
  論文  参考訳（メタデータ） (2023-08-30T07:41:26Z)
• Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
  本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。 本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。 さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
  論文  参考訳（メタデータ） (2022-04-08T15:22:33Z)
• Benchmarking Deep Trackers on Aerial Videos [5.414308305392762]
  本論文では,4つの空中データセットの深層学習手法に基づく10のトラッカーを比較した。 我々は,検出による追跡,識別相関フィルタ,シャムネットワーク,強化学習など,さまざまなアプローチを用いた上位パフォーマンストラッカを選択する。 本研究では, 地上映像と比べ, 航空データセットではトラッカーの性能が著しく悪くなることが示唆された。
  論文  参考訳（メタデータ） (2021-03-24T01:45:19Z)
• Hard Occlusions in Visual Object Tracking [12.502821224144151]
  航空機内回転などのハードシナリオ上での最近の最先端トラッカー(SOTA)の性能をベンチマークする。 その結果,SOTAトラッカーのハードオクルージョンは依然として非常に難しい問題であることがわかった。 特定のカテゴリーによるトラッカー性能の変動は,実世界のシナリオにおけるトラッカー性能を測るのに,平均的なシングルパフォーマンススコアを用いた共通トラッカーランキングが不十分であることを示している。
  論文  参考訳（メタデータ） (2020-09-10T11:42:21Z)
• TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
  オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。 ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。 我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
  論文  参考訳（メタデータ） (2020-05-20T21:07:28Z)
• Robust Visual Object Tracking with Two-Stream Residual Convolutional Networks [62.836429958476735]
  視覚追跡のための2ストリーム残差畳み込みネットワーク(TS-RCN)を提案する。 私たちのTS-RCNは、既存のディープラーニングベースのビジュアルトラッカーと統合することができます。 トラッキング性能をさらに向上するため、我々はResNeXtを特徴抽出バックボーンとして採用する。
  論文  参考訳（メタデータ） (2020-05-13T19:05:42Z)

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。