論文の概要: Learning Spatial Distribution of Long-Term Trackers Scores
- arxiv url: http://arxiv.org/abs/2308.01256v1
- Date: Wed, 2 Aug 2023 16:26:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 12:10:22.331174
- Title: Learning Spatial Distribution of Long-Term Trackers Scores
- Title（参考訳）: 長期トラッカースコアの空間分布の学習
- Authors: Vincenzo Mariano Scarrica, Antonino Staiano
- Abstract要約: この研究は、パイプラインのベースライントラッカーとして使用される任意の数のトラッカーに融合の概念を一般化することを目的としている。
モデルとデータ独立予想が原稿で証明され、VOT-LT2022から学ぶと、TB-50データセットの0.738と、2つのデータセットを逆転することで0.619がリコールされる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-Term tracking is a hot topic in Computer Vision. In this context,
competitive models are presented every year, showing a constant growth rate in
performances, mainly measured in standardized protocols as Visual Object
Tracking (VOT) and Object Tracking Benchmark (OTB). Fusion-trackers strategy
has been applied over last few years for overcoming the known re-detection
problem, turning out to be an important breakthrough. Following this approach,
this work aims to generalize the fusion concept to an arbitrary number of
trackers used as baseline trackers in the pipeline, leveraging a learning phase
to better understand how outcomes correlate with each other, even when no
target is present. A model and data independence conjecture will be evidenced
in the manuscript, yielding a recall of 0.738 on LTB-50 dataset when learning
from VOT-LT2022, and 0.619 by reversing the two datasets. In both cases,
results are strongly competitive with state-of-the-art and recall turns out to
be the first on the podium.
- Abstract（参考訳）: 長期追跡はコンピュータビジョンのホットトピックである。
この文脈では、競合モデルは毎年提示され、パフォーマンスの一定の成長率を示し、主にVisual Object Tracking (VOT)やObject Tracking Benchmark (OTB)のような標準化されたプロトコルで測定される。
fusion-trackers戦略は、既知の再検出問題を克服するため、ここ数年にわたって適用されてきた。
本研究の目的は,パイプラインのベースライントラッカーとして使用される任意の数のトラッカーに融合の概念を一般化することであり,目標が存在しない場合でも,結果が相互にどのように関連しているかをよりよく理解するために学習フェーズを活用することである。
モデルとデータ独立予想が原稿で証明され、VOT-LT2022から学ぶと、TB-50データセットの0.738と、2つのデータセットを逆転することで0.619がリコールされる。
どちらのケースでも、結果は最先端のものと強く競合し、リコールは表彰台で最初のものとなった。
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) - Target-Aware Tracking with Long-term Context Attention [8.20858704675519]
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。
論文 参考訳（メタデータ） (2023-02-27T14:40:58Z) - Beyond SOT: Tracking Multiple Generic Objects at Once [141.36900362724975]
ジェネリックオブジェクト追跡(ジェネリックオブジェクト追跡、英: Generic Object Tracking、GOT)は、ビデオの最初のフレームでボックスをバウンディングすることによって指定されたターゲットオブジェクトを追跡する問題である。
大規模GOTベンチマークであるLaGOTを導入し,複数のアノテート対象オブジェクトをシーケンス毎に含む。
提案手法は単一オブジェクトのGOTデータセットに対して高い競合性を実現し,TrackingNet上での新たな技術状態が84.4%の成功率で設定されている。
論文 参考訳（メタデータ） (2022-12-22T17:59:19Z) - SOMPT22: A Surveillance Oriented Multi-Pedestrian Tracking Dataset [5.962184741057505]
我々はSOMPT22データセットを紹介した。これは、都市監視のための高さ6-8mのポール上の静止カメラから撮影した注釈付きショートビデオを備えた、複数人の追跡のための新しいセットである。
我々は,新しいデータセット上での検出とreIDネットワークの利用方法について,MOTトラッカーをワンショットと2ステージに分類して分析する。
我々の新しいデータセットの実験結果から、SOTAは依然として高効率には程遠いことが示され、シングルショットトラッカーは高速実行と精度を競合性能と一体化するための良い候補である。
論文 参考訳（メタデータ） (2022-08-04T11:09:19Z) - TDT: Teaching Detectors to Track without Fully Annotated Videos [2.8292841621378844]
検知と外観の埋め込みの両方を予測するワンステージトラッカーは、多くの注目を集めた。
提案した1段階のソリューションは,2段階のソリューションと品質が一致するが,3倍高速である。
論文 参考訳（メタデータ） (2022-05-11T15:56:17Z) - CoCoLoT: Combining Complementary Trackers in Long-Term Visual Tracking [17.2557973738397]
本稿では,長期追跡性能を向上させるために,補完的な視覚トラッカーの特性を組み合わせたCoCoLoTというフレームワークを提案する。
CoCoLoTは、オンライン学習された深層検証モデルを通じて、トラッカーが対象オブジェクトをフォローしているかどうかを認識し、意思決定ポリシーを起動する。
提案手法は広範に評価され、他のいくつかのソリューションとの比較により、最も人気のある視覚的追跡ベンチマークにおいて最先端の手法と競合することが判明した。
論文 参考訳（メタデータ） (2022-05-09T13:25:13Z) - 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) - 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) - Learning to Track with Object Permanence [61.36492084090744]
共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。
私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
論文 参考訳（メタデータ） (2021-03-26T04:43:04Z) - 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)
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。