論文の概要: STARS: Sparse Learning Correlation Filter with Spatio-temporal Regularization and Super-resolution Reconstruction for Thermal Infrared Target Tracking
- arxiv url: http://arxiv.org/abs/2504.14491v1
- Date: Sun, 20 Apr 2025 04:49:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 00:16:35.847719
- Title: STARS: Sparse Learning Correlation Filter with Spatio-temporal Regularization and Super-resolution Reconstruction for Thermal Infrared Target Tracking
- Title（参考訳）: STARS:時空間正規化によるスパース学習相関フィルタと熱赤外目標追跡のための超分解能再構成
- Authors: Shang Zhang, Xiaobo Ding, Huanbin Zhang, Ruoyan Xiong, Yue Zhang,
- Abstract要約: 時間画像の低解像度化と追跡干渉、TIRトラッカーの時間長制限。
超解像再構成を取り入れたスパース学習型トラッカーを提案する。
我々の知る限りでは、STARSはスパースラーニングベースのフレームワークに、初めて超解像法を統合する。
- 参考スコア（独自算出の注目度）: 8.52497147463548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thermal infrared (TIR) target tracking methods often adopt the correlation filter (CF) framework due to its computational efficiency. However, the low resolution of TIR images, along with tracking interference, significantly limits the perfor-mance of TIR trackers. To address these challenges, we introduce STARS, a novel sparse learning-based CF tracker that incorporates spatio-temporal regulari-zation and super-resolution reconstruction. First, we apply adaptive sparse filter-ing and temporal domain filtering to extract key features of the target while reduc-ing interference from background clutter and noise. Next, we introduce an edge-preserving sparse regularization method to stabilize target features and prevent excessive blurring. This regularization integrates multiple terms and employs the alternating direction method of multipliers to optimize the solution. Finally, we propose a gradient-enhanced super-resolution method to extract fine-grained TIR target features and improve the resolution of TIR images, addressing performance degradation in tracking caused by low-resolution sequences. To the best of our knowledge, STARS is the first to integrate super-resolution methods within a sparse learning-based CF framework. Extensive experiments on the LSOTB-TIR, PTB-TIR, VOT-TIR2015, and VOT-TIR2017 benchmarks demonstrate that STARS outperforms state-of-the-art trackers in terms of robustness.
- Abstract（参考訳）: 熱赤外(TIR)目標追跡法は、その計算効率のために相関フィルタ(CF)フレームワークを採用することが多い。
しかし、低解像度のTIR画像と追跡干渉は、TIRトラッカーのパーフォマンスを著しく制限する。
これらの課題に対処するために,時空間正規化と超分解能再構成を組み込んだ,スパース学習に基づく新しいCFトラッカーであるSTARSを導入する。
まず、適応的なスパースフィルタと時間領域フィルタリングを適用し、背景クラッタとノイズから干渉を除去しながらターゲットのキー特徴を抽出する。
次に、ターゲット特徴を安定させ、過度なぼやけを防止するために、エッジ保存スパース正規化手法を提案する。
この正規化は複数の項を統合し、解を最適化するために乗算器の交互方向法を用いる。
最後に, 微粒なTIRターゲット特徴を抽出し, TIR画像の分解能を向上させるための勾配強調超解像法を提案し, 低分解能シーケンスによる追跡性能の劣化に対処する。
我々の知る限りでは、STARSはスパースラーニングベースのCFフレームワークに、初めて超解像度のメソッドを統合する。
LSOTB-TIR, PTB-TIR, VOT-TIR2015, VOT-TIR2017ベンチマークの大規模な実験は、STARSが堅牢性において最先端のトラッカーよりも優れていることを示した。
関連論文リスト
- SMTT: Novel Structured Multi-task Tracking with Graph-Regularized Sparse Representation for Robust Thermal Infrared Target Tracking [8.52497147463548]
熱赤外目標追跡は、監視、自律運転、軍事作戦などの応用において重要である。
本稿では,熱赤外画像における共通課題を効果的に解決する新しいトラッカーSMTTを提案する。
論文 参考訳（メタデータ） (2025-04-20T10:56:15Z) - RAMCT: Novel Region-adaptive Multi-channel Tracker with Iterative Tikhonov Regularization for Thermal Infrared Tracking [10.58716694795395]
本稿では,領域適応型スパース相関フィルタトラッカーであるRAMCTを提案する。
マルチチャネル機能オプティマイゼーションと適応正規化戦略を統合している。
精度とロバスト性という点で他の最先端トラッカーよりも優れています。
論文 参考訳（メタデータ） (2025-04-19T12:18:36Z) - Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。
我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。
さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。
近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
論文 参考訳（メタデータ） (2024-07-22T04:32:43Z) - SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。
既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。
局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
論文 参考訳（メタデータ） (2024-04-17T14:23:28Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Monte Carlo Linear Clustering with Single-Point Supervision is Enough
for Infrared Small Target Detection [48.707233614642796]
SIRST(Single-frame infrared small target)検出は、赤外線画像上の乱雑な背景から小さなターゲットを分離することを目的としている。
ディープラーニングに基づく手法は、SIRST検出において有望な性能を達成したが、大量のトレーニングデータを犠牲にしている。
単一点監視を用いたSIRST検出のための最初の手法を提案する。
論文 参考訳（メタデータ） (2023-04-10T08:04:05Z) - Learning Sampling Policy for Faster Derivative Free Optimization [100.27518340593284]
ランダムサンプリングではなく,ZO最適化における摂動を生成するためのサンプリングポリシを学習する,新たな強化学習ベースのZOアルゴリズムを提案する。
その結果,ZO-RLアルゴリズムはサンプリングポリシを学習することでZO勾配の分散を効果的に低減し,既存のZOアルゴリズムよりも高速に収束できることが示唆された。
論文 参考訳（メタデータ） (2021-04-09T14:50:59Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Infrared target tracking based on proximal robust principal component
analysis method [12.560236015149965]
赤外線標的追跡は、民間と軍事の両方において重要な役割を担っている。
赤外線シーケンスのためのロバストで高精度なトラッカーを設計する際の主な課題は、重複、閉塞、外観変化である。
本稿では、近位頑健な主成分分析法に基づく赤外線ターゲットトラッカーを提案する。
論文 参考訳（メタデータ） (2020-10-11T14:54:00Z) - Learning to Optimize Non-Rigid Tracking [54.94145312763044]
我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。
まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。
次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
論文 参考訳（メタデータ） (2020-03-27T04:40:57Z)
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。