論文の概要: Target-Aware Tracking with Long-term Context Attention

• arxiv url: http://arxiv.org/abs/2302.13840v1
• Date: Mon, 27 Feb 2023 14:40:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 15:21:32.392550
• Title: Target-Aware Tracking with Long-term Context Attention
• Title（参考訳）: 長期コンテキストを考慮した目標認識追跡
• Authors: Kaijie He, Canlong Zhang, Sheng Xie, Zhixin Li, Zhiwen Wang
• Abstract要約: 長期的コンテキストアテンション(LCA)モジュールは、長期的フレームからターゲットとそのコンテキストについて広範な情報融合を行うことができる。 LCAは、類似したオブジェクトや複雑な背景の干渉を排除するために、以前のフレームからターゲット状態を使用する。 トラッカーは, 71.1%のAUC, 89.3%のNP, 73.0%のAOをLaSOT, TrackingNet, GOT-10kで実現した。
• 参考スコア（独自算出の注目度）: 8.20858704675519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most deep trackers still follow the guidance of the siamese paradigms and use a template that contains only the target without any contextual information, which makes it difficult for the tracker to cope with large appearance changes, rapid target movement, and attraction from similar objects. To alleviate the above problem, we propose a long-term context attention (LCA) module that can perform extensive information fusion on the target and its context from long-term frames, and calculate the target correlation while enhancing target features. The complete contextual information contains the location of the target as well as the state around the target. LCA uses the target state from the previous frame to exclude the interference of similar objects and complex backgrounds, thus accurately locating the target and enabling the tracker to obtain higher robustness and regression accuracy. By embedding the LCA module in Transformer, we build a powerful online tracker with a target-aware backbone, termed as TATrack. In addition, we propose a dynamic online update algorithm based on the classification confidence of historical information without additional calculation burden. Our tracker achieves state-of-the-art performance on multiple benchmarks, with 71.1\% AUC, 89.3\% NP, and 73.0\% AO on LaSOT, TrackingNet, and GOT-10k. The code and trained models are available on https://github.com/hekaijie123/TATrack.
• Abstract（参考訳）: 多くのディープトラッカーは依然としてサイムズパラダイムのガイダンスに従っており、コンテキスト情報を持たないターゲットのみを含むテンプレートを使用するため、トラッカーが大きな外観変化、高速なターゲット運動、類似した物体からのアトラクションに対処することが困難である。 上記の問題を緩和するために,長期フレームからターゲットとそのコンテキストに広範囲な情報融合を行うためのLCAモジュールを提案し,目標特徴を拡張しながら目標相関を計算する。 完全なコンテキスト情報には、ターゲットの場所と、ターゲット周辺の状態が含まれる。 LCAは、以前のフレームからターゲット状態を使用して、類似したオブジェクトや複雑な背景の干渉を排除し、ターゲットを正確に位置決めし、トラッカーがより高い堅牢性と回帰精度を得ることができるようにする。 TransformerにLCAモジュールを埋め込むことで、ターゲットを意識したバックボーンを備えた強力なオンライントラッカーを構築できます。 さらに,計算負荷を増すことなく,履歴情報の分類信頼度に基づく動的オンライン更新アルゴリズムを提案する。 トラッカーは, 71.1\% AUC, 89.3\% NP, 73.0\% AO を LaSOT, TrackingNet, GOT-10k で実現した。 コードとトレーニングされたモデルはhttps://github.com/hekaijie123/tatrackで入手できる。

関連論文リスト

• RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
  本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。 具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。 我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
  論文  参考訳（メタデータ） (2024-03-28T08:54:40Z)
• Autoregressive Queries for Adaptive Tracking with Spatio-TemporalTransformers [55.46413719810273]
  リッチ時間情報は、視覚追跡における複雑なターゲットの出現に不可欠である。 提案手法は,6つの一般的な追跡ベンチマークにおいてトラッカーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T02:39:26Z)
• 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)
• 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)
• Target Transformed Regression for Accurate Tracking [30.516462193231888]
  本稿では,TREG(Target Transformed Regression)と呼ばれるTransformerライクな回帰分岐を,正確なアンカーフリートラッキングのために再利用する。 TREGのコアは、ターゲットテンプレートと検索領域の要素間のペアワイズ関係をモデル化し、正確なバウンディングボックス回帰のために得られたターゲット強化ビジュアル表現を使用することです。 さらに,信頼性の高いテンプレートを選択するための簡単なオンラインテンプレート更新機構を考案し,出現変動のロバスト性や対象の時間的変形を増大させる。
  論文  参考訳（メタデータ） (2021-04-01T11:25:23Z)
• 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)
• Learning Target Candidate Association to Keep Track of What Not to Track [100.80610986625693]
  目標を追尾し続けるために、逸脱物を追跡することを提案します。 視覚的トラッキングにおいて, トラクタオブジェクト間の接地トルース対応を欠く問題に対処するために, 部分アノテーションと自己監督を組み合わせたトレーニング戦略を提案する。 我々のトラッカーは6つのベンチマークで新しい最先端のベンチマークを設定し、AUCスコアはLaSOTで67.2%、OxUvA長期データセットで+6.1%向上した。
  論文  参考訳（メタデータ） (2021-03-30T17:58:02Z)
• TDIOT: Target-driven Inference for Deep Video Object Tracking [0.2457872341625575]
  本研究では,事前訓練したMask R-CNNディープオブジェクト検出器をベースラインとして採用する。 本研究では,Mask R-CNNのFPN-ResNet101バックボーン上に新しい推論アーキテクチャを導入し,検出と追跡を共同で行う。 提案する単一オブジェクトトラッカであるtdiotは、データアソシエーションに外観類似性に基づく時間マッチングを適用する。
  論文  参考訳（メタデータ） (2021-03-19T20:45:06Z)
• Graph Attention Tracking [76.19829750144564]
  汎用オブジェクト追跡のための簡易な目標認識型シームズグラフアテンションネットワークを提案する。 GOT-10k、UAV123、TB-100、LaSOTといった挑戦的なベンチマークの実験は、提案されたSiamGATが最先端のトラッカーよりも優れていることを示した。
  論文  参考訳（メタデータ） (2020-11-23T04:26:45Z)
• Ocean: Object-aware Anchor-free Tracking [75.29960101993379]
  アンカーベース手法の回帰ネットワークは、正のアンカーボックスでのみ訓練される。 本稿では,この問題に対処する新しいオブジェクト認識型アンカーフリーネットワークを提案する。 我々のアンカーフリートラッカーは5つのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-18T17:51:39Z)

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。