論文の概要: Multi-Template Temporal Siamese Network for Long-Term Object Tracking

• arxiv url: http://arxiv.org/abs/2211.13812v1
• Date: Thu, 24 Nov 2022 22:07:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 16:55:46.592277
• Title: Multi-Template Temporal Siamese Network for Long-Term Object Tracking
• Title（参考訳）: 長期物体追跡のためのマルチテンプレート時空間ネットワーク
• Authors: Ali Sekhavati and Won-Sook Lee
• Abstract要約: シームズネットワークベースのトラッカーは、第1フレームをオブジェクトの真理として使用し、次のフレームでターゲットの外観が著しく変化するとフェールする。 両問題を解くための2つの考えを提案する。 このトラッカーは、成功率を15%の大差で向上させることで、長期追跡データセットUAV20Lの最先端性能を達成する。
• 参考スコア（独自算出の注目度）: 0.6853165736531939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Siamese Networks are one of most popular visual object tracking methods for their high speed and high accuracy tracking ability as long as the target is well identified. However, most Siamese Network based trackers use the first frame as the ground truth of an object and fail when target appearance changes significantly in next frames. They also have dif iculty distinguishing the target from similar other objects in the frame. We propose two ideas to solve both problems. The first idea is using a bag of dynamic templates, containing diverse, similar, and recent target features and continuously updating it with diverse target appearances. The other idea is to let a network learn the path history and project a potential future target location in a next frame. This tracker achieves state-of-the-art performance on the long-term tracking dataset UAV20L by improving the success rate by a large margin of 15% (65.4 vs 56.6) compared to the state-of-the-art method, HiFT. The of icial python code of this paper is publicly available.
• Abstract（参考訳）: Siamese Networksは、ターゲットがよく特定される限り、その高速かつ高精度なトラッキング能力のために最も人気のあるビジュアルオブジェクト追跡手法の1つである。 しかし、ほとんどのシームズネットワークベースのトラッカーは、第1フレームをオブジェクトの真理として使用し、次のフレームでターゲットの外観が著しく変化すると失敗する。 それらはまた、フレーム内の他の類似のオブジェクトとターゲットを区別する希薄な欠陥を持っている。 両問題を解くための2つの考えを提案する。 最初のアイデアは動的テンプレートの袋を使い、多様な、類似した、そして最近のターゲット機能を含み、多様なターゲットの外観で継続的に更新する。 もう1つのアイデアは、ネットワークがパス履歴を学習し、次のフレームで将来のターゲットの位置を予測できるようにすることだ。 長期追跡データセットUAV20Lにおける最先端性能は、最先端手法HiFTと比較して、成功率を15%(65.4対56.6)大きく向上させることにより達成する。 この論文のicial pythonコードは、公開されている。

関連論文リスト

• Tracking Meets LoRA: Faster Training, Larger Model, Stronger Performance [87.19164603145056]
  実験室レベルの資源をトラッキングするための大規模ViTモデルのパワーを明らかにする手法であるLoRATを提案する。 私たちの作業の本質は、推論レイテンシを追加することなく、モデルパラメータの小さなサブセットを微調整するテクニックであるLoRAを適用することです。 我々はPETRの適応のみに基づくアンカーフリーヘッドを設計し、計算オーバーヘッドを少なくして性能を向上する。
  論文  参考訳（メタデータ） (2024-03-08T11:41:48Z)
• A new hope for network model generalization [66.5377859849467]
  ネットワークトラフィックダイナミクスのための機械学習モデルを一般化することは、失われた原因とみなされる傾向がある。 _Transformer_と呼ばれるMLアーキテクチャは、これまで想像不可能だった他のドメインでの一般化を可能にした。 パケットトレースからネットワークダイナミクスを学習するためのNTT(Network Traffic Transformer)を提案する。
  論文  参考訳（メタデータ） (2022-07-12T21:16:38Z)
• Context-aware Visual Tracking with Joint Meta-updating [11.226947525556813]
  本稿では,シーケンス全体に沿った情報を活用することで,両ブランチを共同でメタ更新する,表現空間上のトラッカーを最適化するコンテキスト認識追跡モデルを提案する。 提案手法は,VOT2018におけるEAOスコアの0.514を40FPSの速度で達成し,基礎となるトラッカーの精度とロバスト性を向上できることを示す。
  論文  参考訳（メタデータ） (2022-04-04T14:16:00Z)
• Unified Transformer Tracker for Object Tracking [58.65901124158068]
  異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。 SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
  論文  参考訳（メタデータ） (2022-03-29T01:38:49Z)
• Updatable Siamese Tracker with Two-stage One-shot Learning [10.13621503834501]
  オフラインSiameseネットワークは、特に精度と効率で、非常に有望な追跡性能を達成しました。 従来の更新器では、オブジェクトの不規則なバリエーションの処理やノイズのサンプリングが難しいため、siameseネットワークの更新にそれらを採用するのは極めて危険である。 本論文では, 対象試料を多段階から抽出し, 一次分類器の局所パラメータを予測できる2段階のワンショット学習者を提案する。 次に,オンライン更新を補完できる学習者(SiamTOL)に基づいて,更新可能なSiameseネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-30T15:18:41Z)
• 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)
• Multiple Convolutional Features in Siamese Networks for Object Tracking [13.850110645060116]
  Multiple Features-Siamese Tracker (MFST) は、ロバストな追跡のために複数の階層的な特徴マップを利用する新しい追跡アルゴリズムである。 MFSTは、オブジェクト追跡ベンチマークにおいて標準のサイメムトラッカーよりも高いトラッキング精度を達成する。
  論文  参考訳（メタデータ） (2021-03-01T08:02:27Z)
• MFST: Multi-Features Siamese Tracker [13.850110645060116]
  Multi-Features Siamese Tracker (MFST) は、複数の階層的特徴マップを利用して、頑健な類似性追跡を行う新しい追跡アルゴリズムである。 MFSTは、標準的なシームズトラッカーを含む最先端のトラッカーよりも高いトラッキング精度を実現している。
  論文  参考訳（メタデータ） (2021-03-01T07:18:32Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)
• Tracking by Instance Detection: A Meta-Learning Approach [99.66119903655711]
  本稿では,高性能トラッカー構築のための3段階の原理的手法を提案する。 我々は2つの現代的な検出器であるRetinaNetとFCOSをベースに、Retina-MAMLとFCOS-MAMLという2つのトラッカーを構築した。 両方のトラッカーは40FPSでリアルタイムに動作します。
  論文  参考訳（メタデータ） (2020-04-02T05:55:06Z)
• High-Performance Long-Term Tracking with Meta-Updater [75.80564183653274]
  短期的追跡よりも実用的に近いため、長期的視覚追跡が注目されている。 ほとんどのトップランクの長期トラッカーはオフラインでトレーニングされたSiameseアーキテクチャを採用しているため、オンライン更新による短期トラッカーの大きな進歩の恩恵を受けることはできない。 我々は、重要な問題に対処するために、オフラインでトレーニングされた新しいメタ更新器を提案する: トラッカーは、現在のフレームで更新する準備ができているか?
  論文  参考訳（メタデータ） (2020-04-01T09:29:23Z)

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。