論文の概要: Adjust Sample Imbalance and Exclude Similar Object in Underwater Object Tracking

• arxiv url: http://arxiv.org/abs/2301.01482v3
• Date: Thu, 23 Mar 2023 05:34:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 17:32:08.562135
• Title: Adjust Sample Imbalance and Exclude Similar Object in Underwater Object Tracking
• Title（参考訳）: 水中物体追跡におけるサンプル不均衡の調整と類似物体の排除
• Authors: Yunfeng Li, Bo Wang, Ye Li, Wei Huo, Zhuoyan Liu
• Abstract要約: UOSTrackを提案する。UOHT(Hybrid Training)とMBPP(Motion-based Post Processing)で構成されている。 UOHTは、サンプルの不均衡な水中トラッカーを調整するように設計されている。 MBPPは、ターゲット周辺の類似したオブジェクトを除外するために提案されている。
• 参考スコア（独自算出の注目度）: 6.444308863858333
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although modern trackers have competitive performance when dealing with underwater image degradation, there are still two problems when applying them to Underwater Object Tracking (UOT). On the one hand, the single object tracker is trained on the open-air datasets, which means that the tracker has a serious sample imbalance between underwater objects and open-air objects when applied to UOT. On the other hand, underwater targets such as fish and dolphins usually have a similar appearance, it is challenging for the model itself to discriminate the weak discriminative features. The existing detection-based post processing is hard to distinguish the tracked target among similar objects. In this paper, we propose UOSTrack, which consists of Underwater images and Open-air sequences Hybrid Training (UOHT) and Motion-based Post Processing (MBPP). UOHT is designed to adjust the sample imbalance underwater tracker. Specifically, Underwater Object Detection (UOD) image is converted into imag pairs through customized data augmentation, so that the tracker has more underwater domain training samples and learn the feature expression of underwater objects. MBPP is proposed to exclude similar objects around the target. Specifically, it uses the estimation box predicted by the Kalman Filter and candidate boxes in each frame to reconfirm the target that is hidden in the candidate area when the target is lost. UOSTrack has an average performance improvement of 3.5% over OSTrack on Similar Object challenge of the UOT100 and UTB180 datasets. The average performance improvement of UOSTrack on UOT100 and UTB180 is 1% and 3%, respectively. Experiments on two UOT benchmarks demonstrate the effectiveness of UOHT and MBPP, and the generalization and applicability of MBPP for UOT.
• Abstract（参考訳）: 現代のトラッカーは水中画像の劣化を扱う際の競合性能があるが、水中物体追跡(uot)に適用する場合、まだ2つの問題がある。 一方、単一のオブジェクトトラッカーは、オープンエアデータセットに基づいてトレーニングされるため、UOTに適用された場合、水中オブジェクトとオープンエアオブジェクトの間に深刻なサンプル不均衡がある。 一方で、魚やイルカのような水中の標的は、通常同様の外観をしているため、モデル自体が弱い識別特徴を識別することは困難である。 既存の検出ベースのポスト処理は、追跡対象を類似したオブジェクトと区別することが難しい。 本稿では,水中画像とオープンエアシークエンスからなるUOSTrackと,動きに基づくポストプロセッシング(MBPP)を提案する。 UOHTはサンプルの不均衡水中追跡装置を調整するように設計されている。 特に、水中物体検出(UOD)画像は、カスタマイズされたデータ拡張によって画像ペアに変換されるため、トラッカーはより水中ドメイントレーニングサンプルを持ち、水中オブジェクトの特徴表現を学ぶことができる。 MBPPは、ターゲット周辺の類似したオブジェクトを除外するために提案されている。 具体的には、カルマンフィルタによって予測される推定ボックスと各フレーム内の候補ボックスを用いて、目標が失われたときに候補領域に隠されたターゲットを再確認する。 UOSTrackは、UOT100とUTB180データセットの類似オブジェクトチャレンジにおいて、OSTrackよりも平均3.5%パフォーマンスが改善されている。 UOT100 と UTB180 における UOSTrack の平均性能改善率は 1% と 3% である。 2つの UOT ベンチマーク実験により,UOHT と MBPP の有効性,および UOT に対する MBPP の一般化と適用性を示した。

関連論文リスト

• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• BEVTrack: A Simple and Strong Baseline for 3D Single Object Tracking in Bird's-Eye View [56.77287041917277]
  3Dシングルオブジェクトトラッキング(SOT)はコンピュータビジョンの基本課題であり、自律運転のようなアプリケーションに不可欠なことを証明している。 本稿では,単純で効果的なベースライン手法であるBEVTrackを提案する。 Bird's-Eye View (BEV) における目標運動を推定して追跡を行うことにより、BEVTrackは、ネットワーク設計、トレーニング目標、トラッキングパイプラインなど、様々な側面から驚くほどの単純さを示しながら、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-09-05T12:42:26Z)
• 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)
• Vision-Based Autonomous Navigation for Unmanned Surface Vessel in Extreme Marine Conditions [2.8983738640808645]
  本稿では,極端海洋環境下での目標物追跡のための自律的視覚に基づくナビゲーション・フレームワークを提案する。 提案手法は砂嵐や霧による可視性低下下でのシミュレーションで徹底的に検証されている。 結果は、ベンチマークしたMBZIRCシミュレーションデータセット全体にわたる最先端のデハージング手法と比較される。
  論文  参考訳（メタデータ） (2023-08-08T14:25:13Z)
• Multi-Object Tracking by Iteratively Associating Detections with Uniform Appearance for Trawl-Based Fishing Bycatch Monitoring [22.228127377617028]
  漁業活動における漁獲監視の目的は、映像から魚の標的をリアルタイムで検出し、追跡し、分類することである。 本稿では,既存の観測中心追跡アルゴリズムに基づく新しいMOT手法を提案する。 本手法は,海洋魚種群およびMOT17種群において,一様外観の追跡目標の性能向上と最先端技術の向上を図っている。
  論文  参考訳（メタデータ） (2023-04-10T18:55:10Z)
• BrackishMOT: The Brackish Multi-Object Tracking Dataset [20.52569822945148]
  濁った環境で捕獲された水中マルチオブジェクト追跡(MOT)データセットは公開されていない。 BrackishMOTは、野生で捕獲された98のシークエンスから構成される。新しいデータセットに加えて、最先端のトラッカーをトレーニングしてベースライン結果を示す。 トレーニング中に合成データを含めることの効果を分析し,実際の水中トレーニングデータと合成水中トレーニングデータを組み合わせることで,追跡性能が向上することを示した。
  論文  参考訳（メタデータ） (2023-02-21T13:02:36Z)
• Semi-Supervised Visual Tracking of Marine Animals using Autonomous Underwater Vehicles [0.40498500266986387]
  海洋生物のその場での視覚観察は、行動的理解と周囲の生態系との関係の発達に不可欠である。 近年、カメラとGPU機能を備えた組み込みコンピュータを備えた自律型水中車両が様々な用途で開発されている。 半教師付き追跡アルゴリズムは、完全な教師付き追跡アルゴリズムよりも少ないデータを必要とするため、代替の追跡ソリューションを提供することができる。
  論文  参考訳（メタデータ） (2023-02-14T21:08:52Z)
• AVisT: A Benchmark for Visual Object Tracking in Adverse Visibility [125.77396380698639]
  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。
  論文  参考訳（メタデータ） (2022-08-14T17:49:37Z)
• 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)
• 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)

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。