論文の概要: Distilling Channels for Efficient Deep Tracking

• arxiv url: http://arxiv.org/abs/2409.11785v1
• Date: Wed, 18 Sep 2024 08:09:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 18:34:01.738025
• Title: Distilling Channels for Efficient Deep Tracking
• Title（参考訳）: ディープトラッキングのための蒸留チャネル
• Authors: Shiming Ge, Zhao Luo, Chunhui Zhang, Yingying Hua, Dacheng Tao,
• Abstract要約: 本稿では,ディープトラッカーを容易にするための新しいチャネル蒸留法を提案する。 統合的な定式化は,特徴圧縮,応答マップ生成,モデル更新を統一エネルギー最小化問題に変換することができることを示す。 その結果、ディープトラッカーは正確で高速で、メモリ要求が低い。
• 参考スコア（独自算出の注目度）: 68.13422829310835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep trackers have proven success in visual tracking. Typically, these trackers employ optimally pre-trained deep networks to represent all diverse objects with multi-channel features from some fixed layers. The deep networks employed are usually trained to extract rich knowledge from massive data used in object classification and so they are capable to represent generic objects very well. However, these networks are too complex to represent a specific moving object, leading to poor generalization as well as high computational and memory costs. This paper presents a novel and general framework termed channel distillation to facilitate deep trackers. To validate the effectiveness of channel distillation, we take discriminative correlation filter (DCF) and ECO for example. We demonstrate that an integrated formulation can turn feature compression, response map generation, and model update into a unified energy minimization problem to adaptively select informative feature channels that improve the efficacy of tracking moving objects on the fly. Channel distillation can accurately extract good channels, alleviating the influence of noisy channels and generally reducing the number of channels, as well as adaptively generalizing to different channels and networks. The resulting deep tracker is accurate, fast, and has low memory requirements. Extensive experimental evaluations on popular benchmarks clearly demonstrate the effectiveness and generalizability of our framework.
• Abstract（参考訳）: ディープトラッカーは視覚的追跡に成功している。 通常、これらのトラッカーは最適に事前訓練されたディープネットワークを使用して、固定層からのマルチチャネル特徴を持つ全ての多様なオブジェクトを表現している。 採用されるディープネットワークは通常、オブジェクト分類で使用される大量のデータから豊富な知識を抽出するために訓練されるため、ジェネリックオブジェクトを非常にうまく表現することができる。 しかし、これらのネットワークは特定の移動物体を表すには複雑すぎるため、一般化が不十分であり、計算とメモリのコストが高い。 本稿では, ディープトラッカーを容易にするための新しい, 汎用的なチャネル蒸留法を提案する。 チャネル蒸留の有効性を検証するために, 判別相関フィルタ (DCF) と ECO を例に挙げる。 統合定式化により,特徴圧縮,応答マップ生成,モデル更新を統一エネルギー最小化問題に変換し,移動物体の追跡効率を向上する情報的特徴チャネルを適応的に選択できることを実証する。 チャネル蒸留は、良好なチャネルを正確に抽出し、ノイズのあるチャネルの影響を緩和し、一般的にチャネルの数を減らし、異なるチャネルやネットワークに適応的に一般化することができる。 その結果、ディープトラッカーは正確で高速で、メモリ要求が低い。 一般的なベンチマークに対する大規模な実験的評価は、我々のフレームワークの有効性と一般化性を明確に示している。

関連論文リスト

• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Channel redundancy and overlap in convolutional neural networks with channel-wise NNK graphs [36.479195100553085]
  畳み込みニューラルネットワーク(CNN)の深い層における特徴空間は、しばしば非常に高次元で解釈が難しい。 理論的にチャネルワイド非負のカーネル(CW-NNK)回帰グラフを分析し、チャネル間の重なり合いを定量化する。 チャネル間の冗長性は,層深度や正規化の程度によって大きく変化している。
  論文  参考訳（メタデータ） (2021-10-18T22:50:07Z)
• Robust MIMO Detection using Hypernetworks with Learned Regularizers [28.917679125825]
  本稿では,シンボル誤り率(SER)とチャネルの一般性とのバランスをとろうとする手法を提案する。 提案手法は,特定のチャネル上で正常に動作するニューラルネットワークベースの検出器のパラメータを生成するハイパーネットワークに基づいている。
  論文  参考訳（メタデータ） (2021-10-13T22:07:13Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)
• Hybrid Channel Based Pedestrian Detection [15.696919306737321]
  そこで我々は,手作り機能とCNN機能を組み合わせたRPN+BFフレームワークを拡張した新しい歩行者検出フレームワークを提案する。 本実験により,VGG-16ネットから抽出したCNN特徴よりも,手工芸品が検出精度が高いことがわかった。
  論文  参考訳（メタデータ） (2019-12-28T09:55:35Z)

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。