論文の概要: LiteTracker: Leveraging Temporal Causality for Accurate Low-latency Tissue Tracking
- arxiv url: http://arxiv.org/abs/2504.09904v1
- Date: Mon, 14 Apr 2025 05:53:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-22 23:19:44.621946
- Title: LiteTracker: Leveraging Temporal Causality for Accurate Low-latency Tissue Tracking
- Title（参考訳）: LiteTracker: 正確な低遅延組織追跡のための時間的因果性を活用する
- Authors: Mert Asim Karaoglu, Wenbo Ji, Ahmed Abbas, Nassir Navab, Benjamin Busam, Alexander Ladikos,
- Abstract要約: LiteTrackerは、内視鏡的ビデオストリームにおける組織追跡のための低遅延手法である。
LiteTrackerは最先端の長期追跡手法に基づいており、トレーニング不要なランタイム最適化のセットを導入している。
- 参考スコア（独自算出の注目度）: 84.52765560227917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Tissue tracking plays a critical role in various surgical navigation and extended reality (XR) applications. While current methods trained on large synthetic datasets achieve high tracking accuracy and generalize well to endoscopic scenes, their runtime performances fail to meet the low-latency requirements necessary for real-time surgical applications. To address this limitation, we propose LiteTracker, a low-latency method for tissue tracking in endoscopic video streams. LiteTracker builds on a state-of-the-art long-term point tracking method, and introduces a set of training-free runtime optimizations. These optimizations enable online, frame-by-frame tracking by leveraging a temporal memory buffer for efficient feature reuse and utilizing prior motion for accurate track initialization. LiteTracker demonstrates significant runtime improvements being around 7x faster than its predecessor and 2x than the state-of-the-art. Beyond its primary focus on efficiency, LiteTracker delivers high-accuracy tracking and occlusion prediction, performing competitively on both the STIR and SuPer datasets. We believe LiteTracker is an important step toward low-latency tissue tracking for real-time surgical applications in the operating room.
- Abstract（参考訳）: 組織追跡は様々な手術ナビゲーションや拡張現実(XR)の応用において重要な役割を担っている。
大規模な合成データセットで訓練された現在の手法は、高いトラッキング精度を達成し、内視鏡的シーンによく対応しているが、その実行時の性能はリアルタイムの外科的応用に必要な低遅延要件を満たしていない。
この制限に対処するため,内視鏡的ビデオストリームにおける組織追跡のための低遅延手法である LiteTracker を提案する。
LiteTrackerは最先端の長期追跡手法に基づいており、トレーニング不要なランタイム最適化のセットを導入している。
これらの最適化は、時間記憶バッファを効率的な機能再利用に利用し、事前動作を利用して正確なトラック初期化を行うことで、オンラインフレーム単位のトラッキングを可能にする。
LiteTrackerは、前世代の約7倍、最先端の約2倍の大幅なランタイム改善を示している。
効率性に重点を置いているだけでなく、LiteTrackerは高精度なトラッキングとオクルージョン予測を提供し、STIRデータセットとSuPerデータセットの両方で競合的に機能する。
LiteTrackerは手術室におけるリアルタイム手術のための低遅延組織追跡のための重要なステップであると考えています。
関連論文リスト
- Exploring Temporal Dynamics in Event-based Eye Tracker [3.3325719644030016]
アイトラッキングは、特にAR、VR、XRといったウェアラブルデバイスにおいて、人間とコンピュータのインタラクションにとって重要な技術である。
フレームベース画像センサを用いた高速かつ高精度なアイトラッキングの実現は、時間分解能の制限により制限される。
TDTrackerは、時間的ダイナミクスを徹底的にモデル化することで、目の動きを素早く捉える効果的なアイトラッキングフレームワークである。
論文 参考訳（メタデータ） (2025-03-31T04:57:13Z) - Online Dense Point Tracking with Streaming Memory [54.22820729477756]
デンスポイントトラッキングは、ビデオのかなりの部分を通して、初期フレーム内のすべてのポイントの連続的な追跡を必要とする、困難なタスクである。
最近の点追跡アルゴリズムは、通常、最初のフレームから現在のフレームへの間接的な情報伝達のためにスライドウィンドウに依存する。
我々は、高密度のtextbfPOint textbfTracking とオンラインビデオ処理のための textbfStreaming メモリを備えた軽量で高速なモデルを提案する。
論文 参考訳（メタデータ） (2025-03-09T06:16:49Z) - Exploring Temporally-Aware Features for Point Tracking [58.63091479730935]
Chronoは、時間的認識を組み込んだポイントトラッキング用に特別に設計された機能バックボーンである。
Chronoは、TAP-Vid-DAVISとTAP-Vid-Kineticsデータセットの洗練されたフリー設定で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-01-21T15:39:40Z) - LITE: A Paradigm Shift in Multi-Object Tracking with Efficient ReID Feature Integration [0.3277163122167433]
マルチオブジェクト追跡(MOT)手法として,軽量な統合的追跡機能抽出パラダイムが導入された。
推論、前処理、後処理、ReIDモデルのトレーニングコストを削減して、ReIDベースのトラッカーを強化する。
論文 参考訳（メタデータ） (2024-09-06T11:05:12Z) - Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。
DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。
複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2024-03-26T12:31:58Z) - LiteTrack: Layer Pruning with Asynchronous Feature Extraction for
Lightweight and Efficient Visual Tracking [4.179339279095506]
LiteTrackは、様々なデバイスにわたる高速操作に最適化された効率的なトランスフォーマーベースのトラッキングモデルである。
他の軽量トラッカーよりも精度と効率のトレードオフが良好である。
LiteTrack-B9はGOT-10kで72.2%AO、TrackingNetで82.4%AUC、NVIDIA 2080Ti GPUで171fpsで動作する。
論文 参考訳（メタデータ） (2023-09-17T12:01:03Z) - Towards Real-World Visual Tracking with Temporal Contexts [64.7981374129495]
時間的文脈を効率的に活用できる2段階フレームワーク(TCTrack)を提案する。
これに基づいて、現実世界の視覚的トラッキング、すなわちTCTrack++のためのより強力なバージョンを提案する。
特徴抽出のために,空間的特徴を高めるために注意に基づく時間適応的畳み込みを提案する。
類似性マップの改良のために,時間的知識を効率的に符号化する適応型時間的変換器を導入する。
論文 参考訳（メタデータ） (2023-08-20T17:59:40Z) - Propagate And Calibrate: Real-time Passive Non-line-of-sight Tracking [84.38335117043907]
本研究では,リレー壁のみを観察することで,見えない部屋を歩いている人を追跡する純粋受動的手法を提案する。
本研究では,リレー壁の映像の非知覚的変化を発掘するため,時間的局所的な動きの伝達に欠かせない特徴として差分フレームを導入する。
提案手法を評価するため,最初の動的受動NLOS追跡データセットであるNLOS-Trackを構築し,公開する。
論文 参考訳（メタデータ） (2023-03-21T12:18:57Z) - STMTrack: Template-free Visual Tracking with Space-time Memory Networks [42.06375415765325]
テンプレート更新機構を持つ既存のトラッカーは、競争性能を達成するために、時間を要する数値最適化と複雑な手設計戦略に依存している。
本稿では,ターゲットに関する歴史的情報を十分に活用することのできる,時空メモリネットワーク上に構築した新しいトラッキングフレームワークを提案する。
具体的には、ターゲットの履歴情報を記憶して、トラッカーを現在のフレーム内の最も情報性の高い領域に集中させる新しい記憶機構を導入する。
論文 参考訳（メタデータ） (2021-04-01T08:10:56Z)
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。