Fugu-MT 論文翻訳(概要): Tracking Small and Fast Moving Objects: A Benchmark

論文の概要: Tracking Small and Fast Moving Objects: A Benchmark

arxiv url: http://arxiv.org/abs/2209.04284v1
Date: Fri, 9 Sep 2022 13:14:44 GMT
ステータス: 処理完了
システム内更新日: 2022-09-12 12:53:41.719267
Title: Tracking Small and Fast Moving Objects: A Benchmark
Title（参考訳）: 小型で高速に動くオブジェクトの追跡:ベンチマーク
Authors: Zhewen Zhang, Fuliang Wu, Yuming Qiu, Jingdong Liang, Shuiwang Li
Abstract要約: textbfTracking textbfSmall と textbfFast textbfMoving textbfObjects のベンチマークである TSFMO を提示する。私たちの知る限りでは、TSFMOは、特にスポーツに関連する、小さく速く動く物体を追跡するための最初のベンチマークです。今後の研究を促進するため,評価対象20種を超越した新しいトラッカーS-KeepTrackを提案する。
参考スコア（独自算出の注目度）: 0.1679937788852769
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With more and more large-scale datasets available for training, visual tracking has made great progress in recent years. However, current research in the field mainly focuses on tracking generic objects. In this paper, we present TSFMO, a benchmark for \textbf{T}racking \textbf{S}mall and \textbf{F}ast \textbf{M}oving \textbf{O}bjects. This benchmark aims to encourage research in developing novel and accurate methods for this challenging task particularly. TSFMO consists of 250 sequences with about 50k frames in total. Each frame in these sequences is carefully and manually annotated with a bounding box. To the best of our knowledge, TSFMO is the first benchmark dedicated to tracking small and fast moving objects, especially connected to sports. To understand how existing methods perform and to provide comparison for future research on TSFMO, we extensively evaluate 20 state-of-the-art trackers on the benchmark. The evaluation results exhibit that more effort are required to improve tracking small and fast moving objects. Moreover, to encourage future research, we proposed a novel tracker S-KeepTrack which surpasses all 20 evaluated approaches. By releasing TSFMO, we expect to facilitate future researches and applications of tracking small and fast moving objects. The TSFMO and evaluation results as well as S-KeepTrack are available at \url{https://github.com/CodeOfGithub/S-KeepTrack}.
Abstract（参考訳）: トレーニング用の大規模データセットがますます増えており、ビジュアルトラッキングは近年大きな進歩を遂げている。しかし、この分野における現在の研究は主にジェネリックオブジェクトの追跡に焦点を当てている。本稿では, \textbf{t}racking \textbf{s}mallと \textbf{f}ast \textbf{m}oving \textbf{o}bjectsのベンチマークであるtsfmoを提案する。このベンチマークは、特にこの課題に対する新規で正確な手法の開発を奨励することを目的としている。 tsfmoは約50kフレームからなる250のシーケンスからなる。これらのシーケンスの各フレームは慎重に、手動でバウンディングボックスで注釈付けされる。私たちの知る限りでは、TSFMOは、特にスポーツに関連する、小さく速く動く物体を追跡するための最初のベンチマークです。既存の手法がどのように機能するかを理解し,将来のTSFMO研究との比較を行うため,ベンチマーク上で20の最先端トラッカーを広範囲に評価した。評価結果は,小型で高速な物体の追跡を改善するためには,より多くの努力が必要であることを示している。さらに,今後の研究を奨励するために,評価対象20種を超越した新しいトラッカーS-KeepTrackを提案する。 tsfmoのリリースにより、小型で高速に動くオブジェクトを追跡する将来の研究やアプリケーションを促進することが期待されます。 TSFMOとS-KeepTrackの評価結果は、 \url{https://github.com/CodeOfGithub/S-KeepTrack}で見ることができる。

関連論文リスト

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)
Tracking with Human-Intent Reasoning [64.69229729784008]
この作業では、新しいトラッキングタスクであるインストラクショントラッキングを提案している。ビデオフレーム内で自動的にトラッキングを実行するようにトラッカーに要求する暗黙の追跡命令を提供する。 TrackGPTは複雑な推論ベースの追跡を行うことができる。
論文参考訳（メタデータ） (2023-12-29T03:22:18Z)
Dense Optical Tracking: Connecting the Dots [82.79642869586587]
DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。 OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
論文参考訳（メタデータ） (2023-12-01T18:59:59Z)
Iterative Scale-Up ExpansionIoU and Deep Features Association for Multi-Object Tracking in Sports [26.33239898091364]
本稿では,スポーツシナリオに対するDeep ExpansionIoU (Deep-EIoU) という,オンラインかつ堅牢な多対象追跡手法を提案する。従来の手法とは異なり、カルマンフィルタの使用を放棄し、スポーツシナリオにおける拡張IoUの反復的なスケールアップと深い特徴を活用して、ロバストなトラッキングを行う。提案手法は,SportsMOTデータセットで77.2%,SportsNet-Trackingデータセットで85.4%を達成し,不規則な動き物体の追跡に顕著な効果を示した。
論文参考訳（メタデータ） (2023-06-22T17:47:08Z)
STMTrack: Template-free Visual Tracking with Space-time Memory Networks [42.06375415765325]
テンプレート更新機構を持つ既存のトラッカーは、競争性能を達成するために、時間を要する数値最適化と複雑な手設計戦略に依存している。本稿では,ターゲットに関する歴史的情報を十分に活用することのできる,時空メモリネットワーク上に構築した新しいトラッキングフレームワークを提案する。具体的には、ターゲットの履歴情報を記憶して、トラッカーを現在のフレーム内の最も情報性の高い領域に集中させる新しい記憶機構を導入する。
論文参考訳（メタデータ） (2021-04-01T08:10:56Z)
Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
論文参考訳（メタデータ） (2020-12-03T23:59:27Z)
SFTrack++: A Fast Learnable Spectral Segmentation Approach for Space-Time Consistent Tracking [6.294759639481189]
本研究では,空間と時間次元にまたがるオブジェクトの一貫性を学習するオブジェクト追跡手法であるSFTrack++を提案する。我々は,OTB,UAV,NFS,GOT-10k,TrackingNetの5つのトラッキングベンチマーク上で,トップトラッカーを入力としてテストした。
論文参考訳（メタデータ） (2020-11-27T17:15:20Z)
Transparent Object Tracking Benchmark [58.19532269423211]
Transparent Object Tracking Benchmarkは、15の異なる透明なオブジェクトカテゴリから225のビデオ(86Kフレーム)で構成されている。我々の知る限りでは、TOTBは透明なオブジェクト追跡に特化した最初のベンチマークです。今後の研究を促進するために,透過性を利用した新しいトラッカーであるTransATOMを導入する。
論文参考訳（メタデータ） (2020-11-21T21:39:43Z)
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)
Tracking Objects as Points [83.9217787335878]
同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。 CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
論文参考訳（メタデータ） (2020-04-02T17:58:40Z)

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。