論文の概要: FocusTrack: A Self-Adaptive Local Sampling Algorithm for Efficient Anti-UAV Tracking
- arxiv url: http://arxiv.org/abs/2504.13604v1
- Date: Fri, 18 Apr 2025 10:18:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 16:15:47.288036
- Title: FocusTrack: A Self-Adaptive Local Sampling Algorithm for Efficient Anti-UAV Tracking
- Title(参考訳): FocusTrack: 効率的なアンチUAV追跡のための自己適応型局所サンプリングアルゴリズム
- Authors: Ying Wang, Tingfa Xu, Jianan Li,
- Abstract要約: FocusTrackは、検索領域を動的に洗練し、特徴表現を強化する新しいフレームワークである。
FocusTrackはグローバルベースのトラッカーを超え、30G MACしか必要とせず、FocusTrack (SRA)で143 fps、フルバージョンで44 fpsを達成した。
- 参考スコア(独自算出の注目度): 17.97806906260278
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anti-UAV tracking poses significant challenges, including small target sizes, abrupt camera motion, and cluttered infrared backgrounds. Existing tracking paradigms can be broadly categorized into global- and local-based methods. Global-based trackers, such as SiamDT, achieve high accuracy by scanning the entire field of view but suffer from excessive computational overhead, limiting real-world deployment. In contrast, local-based methods, including OSTrack and ROMTrack, efficiently restrict the search region but struggle when targets undergo significant displacements due to abrupt camera motion. Through preliminary experiments, it is evident that a local tracker, when paired with adaptive search region adjustment, can significantly enhance tracking accuracy, narrowing the gap between local and global trackers. To address this challenge, we propose FocusTrack, a novel framework that dynamically refines the search region and strengthens feature representations, achieving an optimal balance between computational efficiency and tracking accuracy. Specifically, our Search Region Adjustment (SRA) strategy estimates the target presence probability and adaptively adjusts the field of view, ensuring the target remains within focus. Furthermore, to counteract feature degradation caused by varying search regions, the Attention-to-Mask (ATM) module is proposed. This module integrates hierarchical information, enriching the target representations with fine-grained details. Experimental results demonstrate that FocusTrack achieves state-of-the-art performance, obtaining 67.7% AUC on AntiUAV and 62.8% AUC on AntiUAV410, outperforming the baseline tracker by 8.5% and 9.1% AUC, respectively. In terms of efficiency, FocusTrack surpasses global-based trackers, requiring only 30G MACs and achieving 143 fps with FocusTrack (SRA) and 44 fps with the full version, both enabling real-time tracking.
- Abstract(参考訳): 対UAV追跡は、小さなターゲットサイズ、突然のカメラの動き、散らかった赤外線背景など、重大な課題を提起する。
既存の追跡パラダイムは、グローバルな手法とローカルな手法に大別できる。
SiamDTのようなグローバルベースのトラッカーは、視野全体をスキャンすることで高い精度を達成するが、過度の計算オーバーヘッドに悩まされ、現実世界のデプロイメントが制限される。
対照的に、OSTrack や ROMTrack などの局所的手法は、探索領域を効率的に制限するが、カメラの急激な動きによってターゲットが大きな変位をした場合に苦労する。
予備実験により、適応探索領域調整と組み合わせた局所トラッカーは、追跡精度を大幅に向上し、局所トラッカーとグローバルトラッカーのギャップを狭めることができることが明らかとなった。
この課題に対処するため,探索領域を動的に洗練し,特徴表現を強化し,計算効率と追跡精度の最適バランスを実現する新しいフレームワークであるFocusTrackを提案する。
具体的には、探索領域調整(SRA)戦略は、目標存在確率を推定し、視野を適応的に調整し、目標が焦点内に留まることを保証する。
さらに,検索領域によって生じる特徴劣化に対処するため,ATMモジュールを提案する。
このモジュールは階層情報を統合し、ターゲット表現をきめ細かな詳細で強化する。
実験の結果、FocusTrackは最先端のパフォーマンスを達成し、AntiUAVでは67.7%、AntiUAV410では62.8%、ベースライントラッカーでは8.5%、AUCでは9.1%であった。
効率面では、FocusTrackはグローバルベースのトラッカーを超え、30G MACしか必要とせず、FocusTrack (SRA)で143 fps、フルバージョンで44 fpsを達成でき、どちらもリアルタイムトラッキングが可能である。
関連論文リスト
- Improving trajectory continuity in drone-based crowd monitoring using a set of minimal-cost techniques and deep discriminative correlation filters [0.0]
ドローンによるクラウドモニタリングは、監視、公共安全、イベント管理などのアプリケーションにとって重要な技術である。
従来の検出・割り当て追跡手法は、偽陽性、偽陰性、頻繁な同一性スイッチに悩まされている。
本稿では、軌道継続性を改善し、信頼性をカウントするポイント指向オンライントラッキングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2025-04-28T20:07:42Z) - A Cross-Scene Benchmark for Open-World Drone Active Tracking [54.235808061746525]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATと呼ばれるオープンワールドドローンアクティブトラッキングのためのクロスシーンクロスドメインベンチマークを提案する。
また、R-VATと呼ばれる強化学習に基づくドローン追跡手法を提案する。
論文 参考訳(メタデータ) (2024-12-01T09:37:46Z) - DenseTrack: Drone-based Crowd Tracking via Density-aware Motion-appearance Synergy [33.57923199717605]
ドローンによる群集追跡は、空中からの物体の正確な識別と監視に困難に直面している。
これらの課題に対処するために、密度認識追跡(DenseTrack)フレームワークを提案する。
DenseTrackは、群衆のカウントに乗じて、オブジェクトの位置を正確に決定し、視覚とモーションのキューを混ぜて、小規模オブジェクトの追跡を改善する。
論文 参考訳(メタデータ) (2024-07-24T13:39:07Z) - RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
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。
論文 参考訳(メタデータ) (2024-03-28T08:54:40Z) - 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) - SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。
SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。
大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
論文 参考訳(メタデータ) (2022-07-10T11:18:26Z) - Tracking by Joint Local and Global Search: A Target-aware Attention
based Approach [63.50045332644818]
本研究では、ロバストな追跡のための局所的・グローバルな共同探索を行うための新たな目標認識型アテンション機構(TANet)を提案する。
具体的には、ターゲットオブジェクトパッチと連続ビデオフレームの特徴を抽出し、それらをデコーダネットワークに追従して、ターゲットを意識したグローバルアテンションマップを生成する。
追跡手順において、ロバストな追跡のための候補探索領域を探索することにより、ターゲット認識の注意を複数のトラッカーと統合する。
論文 参考訳(メタデータ) (2021-06-09T06:54:15Z) - Learning Target Candidate Association to Keep Track of What Not to Track [100.80610986625693]
目標を追尾し続けるために、逸脱物を追跡することを提案します。
視覚的トラッキングにおいて, トラクタオブジェクト間の接地トルース対応を欠く問題に対処するために, 部分アノテーションと自己監督を組み合わせたトレーニング戦略を提案する。
我々のトラッカーは6つのベンチマークで新しい最先端のベンチマークを設定し、AUCスコアはLaSOTで67.2%、OxUvA長期データセットで+6.1%向上した。
論文 参考訳(メタデータ) (2021-03-30T17:58:02Z) - All-Day Object Tracking for Unmanned Aerial Vehicle [19.10142725484355]
本研究は,照明適応とアンチダーク機能を備えた新しい相関フィルタベースのトラッカー,adtrackを提案する。
ADTrackは画像照度情報を利用して、与えられた光条件へのモデルの適応性を実現する。
この作業はまた、UAVの夜間追跡ベンチマークであるUAVDark135を構築し、125k以上の手動アノテートフレームで構成された。
論文 参考訳(メタデータ) (2021-01-21T05:12:37Z)
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。