論文の概要: Unsupervised Green Object Tracker (GOT) without Offline Pre-training

• arxiv url: http://arxiv.org/abs/2309.09078v1
• Date: Sat, 16 Sep 2023 19:00:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 17:32:08.581999
• Title: Unsupervised Green Object Tracker (GOT) without Offline Pre-training
• Title（参考訳）: オフライン事前トレーニングのない教師なしグリーンオブジェクトトラッカ(got)
• Authors: Zhiruo Zhou, Suya You, C.-C. Jay Kuo
• Abstract要約: グリーン・オブジェクト・トラッカー(GOT)と呼ばれる新しい単一物体追跡手法を提案する。 GOTは、最先端の教師なしトラッカーと競合する追跡精度を提供する。 GOTは小さなモデルサイズ(3kパラメータ)と低い推論複雑性(フレームあたり約58万FLOP)を持つ。
• 参考スコア（独自算出の注目度）: 35.60210259607753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised trackers trained on labeled data dominate the single object tracking field for superior tracking accuracy. The labeling cost and the huge computational complexity hinder their applications on edge devices. Unsupervised learning methods have also been investigated to reduce the labeling cost but their complexity remains high. Aiming at lightweight high-performance tracking, feasibility without offline pre-training, and algorithmic transparency, we propose a new single object tracking method, called the green object tracker (GOT), in this work. GOT conducts an ensemble of three prediction branches for robust box tracking: 1) a global object-based correlator to predict the object location roughly, 2) a local patch-based correlator to build temporal correlations of small spatial units, and 3) a superpixel-based segmentator to exploit the spatial information of the target frame. GOT offers competitive tracking accuracy with state-of-the-art unsupervised trackers, which demand heavy offline pre-training, at a lower computation cost. GOT has a tiny model size (<3k parameters) and low inference complexity (around 58M FLOPs per frame). Since its inference complexity is between 0.1%-10% of DL trackers, it can be easily deployed on mobile and edge devices.
• Abstract（参考訳）: ラベル付きデータでトレーニングされた教師付きトラッカーは、追跡精度に優れた単一のオブジェクト追跡フィールドを支配している。 ラベル付けコストと膨大な計算複雑性は、エッジデバイス上のアプリケーションを妨げる。 ラベル付けコストを削減するために教師なし学習手法も検討されているが、その複雑さは高いままである。 本研究は,軽量な高性能トラッキング,オフライン事前学習のない実現可能性,アルゴリズム透過性に着目し,グリーンオブジェクトトラッカー(GOT)と呼ばれる新しい単一オブジェクトトラッキング手法を提案する。 GOTは、堅牢なボックストラッキングのための3つの予測分岐のアンサンブルを実行する。 1)大まかにオブジェクトの位置を予測するグローバルなオブジェクトベースのコリレータ 2)小さな空間単位の時間的相関を構築する局所パッチベースの相関器 3) 対象フレームの空間情報を利用するスーパーピクセルベースのセグメンテーション装置。 GOTは、高度なオフライン事前トレーニングを必要とする最先端の教師なしトラッカーと、より低い計算コストで競合追跡精度を提供する。 GOTはモデルのサイズが小さい(<3kパラメータ)、推論の複雑さが低い(フレームあたり約58M FLOP)。 推論の複雑さはDLトラッカーの0.1%-10%なので、モバイルやエッジデバイスに簡単にデプロイできる。

関連論文リスト

• RTrack: Accelerating Convergence for Visual Object Tracking via Pseudo-Boxes Exploration [3.29854706649876]
  単一のオブジェクト追跡(SOT)は、ターゲットオブジェクトをバウンディングボックスとして表現することに大きく依存している。 本稿では,新しいオブジェクト表現ベースライントラッカーRTrackを提案する。 RTrackは自動的に点を配置して空間範囲を定義し、局所領域をハイライトする。
  論文  参考訳（メタデータ） (2023-09-23T04:41:59Z)
• TrajectoryFormer: 3D Object Tracking Transformer with Predictive Trajectory Hypotheses [51.60422927416087]
  3Dマルチオブジェクトトラッキング(MOT)は、自律走行車やサービスロボットを含む多くのアプリケーションにとって不可欠である。 本稿では,新しいポイントクラウドベースの3DMOTフレームワークであるTrjectoryFormerを紹介する。
  論文  参考訳（メタデータ） (2023-06-09T13:31:50Z)
• Bridging the Gap Between End-to-end and Non-End-to-end Multi-Object Tracking [27.74953961900086]
  既存のエンドツーエンドのマルチオブジェクト追跡(e2e-MOT)手法は、非エンドツーエンドのトラッキング・バイ・検出手法を超えていない。 本稿では,e2e-MOT をシャドウ概念を用いた新しいラベル割り当てにより,簡便かつ効果的な方法である Co-MOT を提案する。
  論文  参考訳（メタデータ） (2023-05-22T05:18:34Z)
• ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every Detection Box [81.45219802386444]
  マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。 3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
  論文  参考訳（メタデータ） (2023-03-27T15:35:21Z)
• 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)
• GUSOT: Green and Unsupervised Single Object Tracking for Long Video Sequences [31.600045405499472]
  GUSOTと呼ばれるグリーンで教師なしの単一オブジェクトトラッカーは、リソース制約のある環境下での長いビデオのオブジェクト追跡を目的としている。 GUSOT には、1) オブジェクトの復元、2) 色度に基づく形状の提案の2つの新しいモジュールが含まれている。 我々は,大規模データセットLaSOTを長時間のビデオシーケンスで実験し,GUSOTが軽量な高性能トラッキングソリューションを提供することを示す。
  論文  参考訳（メタデータ） (2022-07-15T17:42:49Z)
• 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)
• A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
  生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。 DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
  論文  参考訳（メタデータ） (2022-03-08T17:49:07Z)
• Learning to Track Objects from Unlabeled Videos [63.149201681380305]
  本稿では,Unsupervised Single Object Tracker (USOT) をスクラッチから学習することを提案する。 教師なしトラッカーと教師なしトラッカーのギャップを狭めるために,3段階からなる効果的な教師なし学習手法を提案する。 実験の結果、未ラベルのビデオから得られたUSOTは、最先端の教師なしトラッカーよりも大きなマージンでうまく機能していることがわかった。
  論文  参考訳（メタデータ） (2021-08-28T22:10:06Z)
• Track without Appearance: Learn Box and Tracklet Embedding with Local and Global Motion Patterns for Vehicle Tracking [45.524183249765244]
  車両追跡は多目的追跡(MOT)分野において重要な課題である。 本稿では,外見情報のない車両追跡における動作パターンの重要性について検討する。 本稿では, 長期追跡のための関連課題を, 排他的かつ完全な運動情報を用いて解決する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-13T02:27:09Z)

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。