論文の概要: RTracker: Recoverable Tracking via PN Tree Structured Memory

• arxiv url: http://arxiv.org/abs/2403.19242v1
• Date: Thu, 28 Mar 2024 08:54:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 16:53:18.911882
• Title: RTracker: Recoverable Tracking via PN Tree Structured Memory
• Title（参考訳）: RTracker: PNツリー構造化メモリによるリカバリ可能なトラッキング
• Authors: Yuqing Huang, Xin Li, Zikun Zhou, Yaowei Wang, Zhenyu He, Ming-Hsuan Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.05904715104411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing tracking methods mainly focus on learning better target representation or developing more robust prediction models to improve tracking performance. While tracking performance has significantly improved, the target loss issue occurs frequently due to tracking failures, complete occlusion, or out-of-view situations. However, considerably less attention is paid to the self-recovery issue of tracking methods, which is crucial for practical applications. To this end, we propose a recoverable tracking framework, RTracker, that uses a tree-structured memory to dynamically associate a tracker and a detector to enable self-recovery ability. Specifically, we propose a Positive-Negative Tree-structured memory to chronologically store and maintain positive and negative target samples. Upon the PN tree memory, we develop corresponding walking rules for determining the state of the target and define a set of control flows to unite the tracker and the detector in different tracking scenarios. Our core idea is to use the support samples of positive and negative target categories to establish a relative distance-based criterion for a reliable assessment of target loss. The favorable performance in comparison against the state-of-the-art methods on numerous challenging benchmarks demonstrates the effectiveness of the proposed algorithm.
• Abstract（参考訳）: 既存の追跡手法は主に、より優れた目標表現の学習や、追跡性能を改善するためのより堅牢な予測モデルの開発に重点を置いている。 トラッキング性能は大幅に改善されているが、目標の損失問題は、障害の追跡、完全な閉塞、あるいは外見の状況によって頻繁に発生する。 しかし、追跡手法の自己回復問題にはかなり注意が払われず、これは実用上重要な問題である。 この目的のために,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,自己回復機能を実現する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。 PNツリーメモリでは、目標の状態を決定するための対応する歩行ルールを開発し、トラッカーと検出器を異なるトラッキングシナリオで統一する制御フローのセットを定義する。 我々の中核となる考え方は、正と負の目標カテゴリ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。 多くの挑戦的なベンチマークにおいて、最先端の手法と比較して好適な性能は、提案アルゴリズムの有効性を示している。

関連論文リスト

• SCTracker: Multi-object tracking with shape and confidence constraints [11.210661553388615]
  本稿では,SCTrackerという形状制約と信頼性に基づく多目的トラッカーを提案する。 トラックと検出の間のコスト行列を計算するために, 形状制約付きユニオン距離の割り込みを適用した。 検出信頼度に基づくカルマンフィルタを用いて動作状態を更新し、検出信頼性が低い場合にトラッキング性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-16T15:18:42Z)
• 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)
• MONCE Tracking Metrics: a comprehensive quantitative performance evaluation methodology for object tracking [0.0]
  本稿では、目標追跡モデル性能ベンチマークと、追跡モデル開発を駆動するための診断情報の両方を提供するMONCE(Multi-Object Non-Contiguous Entities)イメージトラッキングメトリクスのスイートを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:32:03Z)
• Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
  特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。 このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
  論文  参考訳（メタデータ） (2022-03-22T18:37:11Z)
• 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)
• Video Annotation for Visual Tracking via Selection and Refinement [74.08109740917122]
  ビデオシーケンスのバウンディングボックスアノテーションを容易にするための新しいフレームワークを提案する。 目標位置の時間的コヒーレンスを捉えることのできる時間的アセスメントネットワークを提案する。 また、選択したトラッキング結果をさらに強化するために、ビジュアルジオメトリ・リファインメント・ネットワークが設計されている。
  論文  参考訳（メタデータ） (2021-08-09T05:56:47Z)
• 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)
• Unsupervised Deep Representation Learning for Real-Time Tracking [137.69689503237893]
  視覚追跡のための教師なし学習手法を提案する。 教師なし学習の動機は、ロバストなトラッカーが双方向トラッキングに有効であるべきだということです。 我々は,シームズ相関フィルタネットワーク上にフレームワークを構築し,教師なし学習を容易にするために,多フレーム検証方式とコスト感受性損失を提案する。
  論文  参考訳（メタデータ） (2020-07-22T08:23:12Z)
• Self-supervised Video Object Segmentation [76.83567326586162]
  本研究の目的は、半教師付きビデオオブジェクトセグメンテーション(高密度トラッキング)の解決を目的とした自己教師付き表現学習である。 i) 従来の自己教師型アプローチを改善すること、(ii) オンライン適応モジュールによる自己教師型アプローチの強化により、空間的時間的不連続性によるトラッカーのドリフトを緩和すること、(iv) DAVIS-2017とYouTubeの自己教師型アプローチで最先端の結果を示すこと、などが提案されている。
  論文  参考訳（メタデータ） (2020-06-22T17:55:59Z)

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。