論文の概要: Mutual-Learning Knowledge Distillation for Nighttime UAV Tracking
- arxiv url: http://arxiv.org/abs/2312.07884v2
- Date: Fri, 22 Dec 2023 01:33:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 17:44:24.324384
- Title: Mutual-Learning Knowledge Distillation for Nighttime UAV Tracking
- Title（参考訳）: 夜間UAV追跡のための相互学習知識蒸留
- Authors: Yufeng Liu
- Abstract要約: 夜間無人航空機(UAV)の追跡は、必要不可欠なプラグアンドプレイの低照度エンハンサーによって促進されている。
本研究は,夜間UAV追跡のための新たな相互学習知識蒸留フレームワークであるMLKDを提案する。
- 参考スコア（独自算出の注目度）: 10.170363860678663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nighttime unmanned aerial vehicle (UAV) tracking has been facilitated with
indispensable plug-and-play low-light enhancers. However, the introduction of
low-light enhancers increases the extra computational burden for the UAV,
significantly hindering the development of real-time UAV applications.
Meanwhile, these state-of-the-art (SOTA) enhancers lack tight coupling with the
advanced daytime UAV tracking approach. To solve the above issues, this work
proposes a novel mutual-learning knowledge distillation framework for nighttime
UAV tracking, i.e., MLKD. This framework is constructed to learn a compact and
fast nighttime tracker via knowledge transferring from the teacher and
knowledge sharing among various students. Specifically, an advanced teacher
based on a SOTA enhancer and a superior tracking backbone is adopted for
guiding the student based only on the tight coupling-aware tracking backbone to
directly extract nighttime object features. To address the biased learning of a
single student, diverse lightweight students with different distillation
methods are constructed to focus on various aspects of the teacher's knowledge.
Moreover, an innovative mutual-learning room is designed to elect the superior
student candidate to assist the remaining students frame-by-frame in the
training phase. Furthermore, the final best student, i.e., MLKD-Track, is
selected through the testing dataset. Extensive experiments demonstrate the
effectiveness and superiority of MLKD and MLKD-Track. The practicality of the
MLKD-Track is verified in real-world tests with different challenging
situations. The code is available at https://github.com/lyfeng001/MLKD.
- Abstract（参考訳）: 夜間無人航空機(UAV)の追跡は、必要不可欠なプラグアンドプレイの低照度エンハンサーによって促進されている。
しかし、低照度エンハンサーの導入は、UAVの余分な計算負担を増大させ、リアルタイムUAVアプリケーションの開発を著しく妨げている。
一方、これらの最先端のSOTA(State-of-the-art)エンハンサーは、高度な日中UAVトラッキングアプローチと密結合を欠いている。
そこで本研究では,夜間UAV追跡のための新たな相互学習知識蒸留フレームワークであるMLKDを提案する。
本フレームワークは,教師からの知識伝達と学生間の知識共有を通じて,コンパクトで迅速な夜間トラッカーを学習するために構築されている。
具体的には,SOTAエンハンサーと優れたトラッキングバックボーンとに基づく上級教師を,タイトな結合認識トラッキングバックボーンのみに基づいて指導し,夜間のオブジェクト特徴を直接抽出する。
一人の生徒のバイアス学習に対処するために,多様な蒸留方法を持つ多様な軽量の生徒が,教師の知識の様々な側面に焦点を合わせるように構築されている。
さらに、先進的な相互学習室を設計し、上位の学生候補を選抜し、訓練段階において残りの学生をフレーム単位で支援する。
さらに、テストデータセットから最後の最高の学生であるMLKD-Trackが選択される。
MLKDとMLKD-Trackの有効性と優位性を示す。
MLKD-Trackの実用性は、異なる課題のある実世界のテストで検証される。
コードはhttps://github.com/lyfeng001/MLKDで公開されている。
関連論文リスト
- KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。
本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。
提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
論文 参考訳（メタデータ） (2024-11-22T08:21:03Z) - SOAR: Self-supervision Optimized UAV Action Recognition with Efficient Object-Aware Pretraining [65.9024395309316]
無人航空機(UAV)が捉えた航空映像の自己監督型事前学習アルゴリズムについて紹介する。
我々は,UAVビデオの事前学習効率と下流行動認識性能を向上させるために,事前学習プロセスを通じて人体知識を取り入れた。
論文 参考訳（メタデータ） (2024-09-26T21:15:22Z) - FACT: Feature Adaptive Continual-learning Tracker for Multiple Object Tracking [22.53374351982883]
我々は、FACT(Feature Adaptive Continual-learning Tracker)と呼ばれる新しいMOTフレームワークを提案する。
FACTは、過去のトラッキング情報をすべて活用して、ターゲットに対するリアルタイムトラッキングと機能学習を可能にする。
我々は、このフレームワークが様々な最先端の機能ベースのトラッカーと統合できることを実証した。
論文 参考訳（メタデータ） (2024-09-12T10:14:48Z) - Towards Discriminative Representations with Contrastive Instances for
Real-Time UAV Tracking [5.557099240958562]
識別相関フィルタ(DCF)ベースのトラッカーは、単一のCPU上で高い効率が得られるが、精度は劣る。
軽量ディープラーニング(DL)ベースのトラッカーは効率と精度のバランスが良いが,性能向上は圧縮速度によって制限される。
本稿では,新しい特徴学習の観点から特徴表現の識別力を高めることを目的とする。
論文 参考訳（メタデータ） (2023-08-22T13:58:45Z) - Continuity-Aware Latent Interframe Information Mining for Reliable UAV
Tracking [5.9397055042513465]
無人航空機(UAV)の追跡は自律走行に不可欠であり、ロボット自動化分野に広く応用されている。
本研究は,信頼性のあるUAV追跡,すなわちClimRTのための連続性を考慮した潜時間情報マイニングを行う新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-08T11:42:57Z) - AttTrack: Online Deep Attention Transfer for Multi-object Tracking [4.5116674432168615]
マルチオブジェクトトラッキング(MOT)は、監視や自動運転といったインテリジェントなビデオ分析アプリケーションにおいて重要なコンポーネントである。
本稿では,複雑なネットワーク(教師)の高レベルな特徴から,学習時間と推論時間の両方で軽量なネットワーク(学生)に知識を伝達することにより,MOTの高速化を目指す。
提案した AttTrack フレームワークは,1) 教師モデルと学生モデルから中間表現を整合させるクロスモデル特徴学習,2) 推論時に2つのモデルの実行をインターリーブすること,3) 教師モデルから更新された予測を事前知識として取り入れ,学生モデルを支援する。
論文 参考訳（メタデータ） (2022-10-16T22:15:31Z) - Counterfactual Cycle-Consistent Learning for Instruction Following and
Generation in Vision-Language Navigation [172.15808300686584]
本稿では,2つのタスクを同時に学習し,それぞれのトレーニングを促進するために本質的な相関性を利用するアプローチについて述べる。
提案手法は,様々な追従モデルの性能を改善し,正確なナビゲーション命令を生成する。
論文 参考訳（メタデータ） (2022-03-30T18:15:26Z) - Self-Promoted Supervision for Few-Shot Transformer [178.52948452353834]
SUN(Self-promoted sUpervisioN)は視覚変換器(ViT)のための数発の学習フレームワークである
SUNは、数ショットの学習データセットでViTを事前トレーニングし、各パッチトークンを導くために、個別のロケーション固有の監視を生成する。
実験によると、ViTを使ったSUNは、ViTを使った他の数発の学習フレームワークを大幅に上回っており、CNNの最先端技術よりも高いパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-03-14T12:53:27Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。
本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T08:52:15Z) - Tracking-by-Trackers with a Distilled and Reinforced Model [24.210580784051277]
コンパクトな学生モデルは、知識蒸留と強化学習の結婚を通じて訓練される。
提案アルゴリズムはリアルタイムの最先端トラッカーと競合する。
論文 参考訳（メタデータ） (2020-07-08T13:24:04Z)
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。