論文の概要: BTMTrack: Robust RGB-T Tracking via Dual-template Bridging and Temporal-Modal Candidate Elimination

• arxiv url: http://arxiv.org/abs/2501.03616v3
• Date: Sat, 18 Jan 2025 17:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:16:21.890076
• Title: BTMTrack: Robust RGB-T Tracking via Dual-template Bridging and Temporal-Modal Candidate Elimination
• Title（参考訳）: BTMTrack:Dual-Template BridgingとTemporal-Modal CandidateによるロバストなRGB-T追跡
• Authors: Zhongxuan Zhang, Bi Zeng, Xinyu Ni, Yimin Du,
• Abstract要約: RGB-Tトラッキングのための新しいフレームワークであるBTMTrackを提案する。 このアプローチの核心は、デュアルテンポレートバックボーンネットワークとTMCE(Temporal-Modal Candidate Elimination)戦略にあります。 提案手法は,LasHeRテストセットの72.3%精度とRGBT210およびRGBT234データセットの競合結果を用いて,最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 0.16249398255272313
• License:
• Abstract: RGB-T tracking leverages the complementary strengths of RGB and thermal infrared (TIR) modalities to address challenging scenarios such as low illumination and adverse weather. However, existing methods often fail to effectively integrate temporal information and perform efficient cross-modal interactions, which constrain their adaptability to dynamic targets. In this paper, we propose BTMTrack, a novel framework for RGB-T tracking. The core of our approach lies in the dual-template backbone network and the Temporal-Modal Candidate Elimination (TMCE) strategy. The dual-template backbone effectively integrates temporal information, while the TMCE strategy focuses the model on target-relevant tokens by evaluating temporal and modal correlations, reducing computational overhead and avoiding irrelevant background noise. Building upon this foundation, we propose the Temporal Dual Template Bridging (TDTB) module, which facilitates precise cross-modal fusion through dynamically filtered tokens. This approach further strengthens the interaction between templates and the search region. Extensive experiments conducted on three benchmark datasets demonstrate the effectiveness of BTMTrack. Our method achieves state-of-the-art performance, with a 72.3% precision rate on the LasHeR test set and competitive results on RGBT210 and RGBT234 datasets.
• Abstract（参考訳）: RGB-Tトラッキングは、RGBと熱赤外(TIR)の相補的な強度を利用して、低照度や悪天候といった困難なシナリオに対処する。 しかし、既存の手法は時間的情報を効果的に統合し、動的ターゲットへの適応性を制限した効率的な相互モーダル相互作用を実行するのに失敗することが多い。 本稿では,RGB-Tトラッキングのための新しいフレームワークであるBTMTrackを提案する。 このアプローチの核心は、デュアルテンポレートバックボーンネットワークとTMCE(Temporal-Modal Candidate Elimination)戦略にあります。 一方、TMCE戦略は、時間的およびモード的相関を評価し、計算オーバーヘッドを減らし、無関係なバックグラウンドノイズを避けることにより、ターゲット関連トークンにモデルを集中させる。 この基盤を基盤として,動的にフィルタされたトークンによる正確な相互融合を容易にするTDTB (Temporal Dual Template Bridging) モジュールを提案する。 このアプローチはテンプレートと検索領域間の相互作用をさらに強化する。 3つのベンチマークデータセットで実施された大規模な実験は、BTMTrackの有効性を示した。 提案手法は,LasHeRテストセットの72.3%精度とRGBT210およびRGBT234データセットの競合結果を用いて,最先端性能を実現する。

関連論文リスト

• Cross Fusion RGB-T Tracking with Bi-directional Adapter [8.425592063392857]
  CFBT(Cross Fusion RGB-T Tracking Architecture)を提案する。 CFBTの有効性は、新しく設計された3つの時間的情報融合モジュールに依存している。 3つのRGB-T追跡ベンチマーク実験により,本手法が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-08-30T02:45:56Z)
• Unified Single-Stage Transformer Network for Efficient RGB-T Tracking [47.88113335927079]
  我々は、上記3つのステージを単一のViT(Vision Transformer)バックボーンに統合するシングルステージのRGB-Tトラッキングネットワーク、すなわちUSTrackを提案する。 この構造により、ネットワークは、モダリティの相互相互作用の下でテンプレートと検索領域の融合特徴を抽出することができる。 3つのRGB-T追跡ベンチマーク実験により,提案手法は高速な推論速度84.2FPSを維持しつつ,新しい最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-08-26T05:09:57Z)
• RGB-T Tracking Based on Mixed Attention [5.151994214135177]
  RGB-Tトラッキングには、可視光と熱の両モードの画像の使用が含まれる。 本稿では,モーダルの相補的な融合を実現するための混合注意機構に基づくRGB-Tトラッカーを提案する。
  論文  参考訳（メタデータ） (2023-04-09T15:59:41Z)
• Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
  本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。 各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。 頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:58:27Z)
• Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in Driving Scenes [82.4186966781934]
  Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。 Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。 無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-18T03:48:58Z)
• 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)
• Temporal Aggregation for Adaptive RGBT Tracking [14.00078027541162]
  本稿では,頑健な外見モデル学習を考慮したRGBTトラッカーを提案する。 空間情報のみを含むオブジェクト追跡タスクを実装している既存のRGBTトラッカーとは異なり、この手法では時間情報も考慮されている。
  論文  参考訳（メタデータ） (2022-01-22T02:31:56Z)
• Decoupling and Recoupling Spatiotemporal Representation for RGB-D-based Motion Recognition [62.46544616232238]
  従来の動作認識手法は、密結合した多時間表現によって有望な性能を実現している。 本稿では,RGB-D に基づく動作認識において引き起こされた表現を分離し,再分離することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T18:59:47Z)
• Jointly Modeling Motion and Appearance Cues for Robust RGB-T Tracking [85.333260415532]
  我々はRGBと熱(T)の両モードの融合重量マップを推定する新しい後期融合法を開発した。 外観キューが信頼できない場合には、動作キューを考慮に入れ、トラッカーを堅牢にする。 最近の3つのRGB-T追跡データセットの多くの結果から、提案したトラッカーは他の最先端のアルゴリズムよりも大幅に性能が向上していることが示された。
  論文  参考訳（メタデータ） (2020-07-04T08:11:33Z)

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。