論文の概要: SelfMOTR: Revisiting MOTR with Self-Generating Detection Priors

• arxiv url: http://arxiv.org/abs/2511.20279v1
• Date: Tue, 25 Nov 2025 13:08:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.469004
• Title: SelfMOTR: Revisiting MOTR with Self-Generating Detection Priors
• Title（参考訳）: SelfMOTR:自己生成検出を優先したMOTRの再検討
• Authors: Fabian Gülhan, Emil Mededovic, Yuli Wu, Johannes Stegmaier,
• Abstract要約: SelfMOTRは自己生成前の検出に依存する新しいトランスフォーマーである。 DanceTrackでは、SelfMOTRは、最新の最先端のエンドツーエンドトラッキング手法と競合して、強力なパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 2.4737720280928555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite progress toward end-to-end tracking with transformer architectures, poor detection performance and the conflict between detection and association in a joint architecture remain critical concerns. Recent approaches aim to mitigate these issues by (i) employing advanced denoising or label assignment strategies, or (ii) incorporating detection priors from external object detectors via distillation or anchor proposal techniques. Inspired by the success of integrating detection priors and by the key insight that MOTR-like models are secretly strong detection models, we introduce SelfMOTR, a novel tracking transformer that relies on self-generated detection priors. Through extensive analysis and ablation studies, we uncover and demonstrate the hidden detection capabilities of MOTR-like models, and present a practical set of tools for leveraging them effectively. On DanceTrack, SelfMOTR achieves strong performance, competing with recent state-of-the-art end-to-end tracking methods.
• Abstract（参考訳）: トランスフォーマーアーキテクチャによるエンドツーエンドのトラッキングに向けた進展にもかかわらず、検出性能の低さと、共同アーキテクチャにおける検出と関連性の衝突は、依然として重要な懸念点である。 最近のアプローチはこれらの問題を緩和することを目指している 一 先進的な弁論又はラベル割り当て戦略を採用すること。 二 蒸留又はアンカー提案技術により、外部対象物検知器から検出先を取り入れること。 検出事前の統合の成功と、MOTRのようなモデルが秘密裏に強力な検出モデルであるというキーインサイトから着想を得て、自己生成検出先行に依存する新しいトラッキングトランスフォーマであるSelfMOTRを導入する。 広汎な分析とアブレーション研究を通じて,MOTR様モデルの隠れ検出能力を解明し,実証し,それらを効果的に活用するための実用的なツールセットを提示する。 DanceTrackでは、SelfMOTRは、最新の最先端のエンドツーエンドトラッキング手法と競合して、強力なパフォーマンスを実現している。

関連論文リスト

• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)
• On the Inherent Robustness of One-Stage Object Detection against Out-of-Distribution Data [6.267143531261792]
  画像データ中の未知物体を検出する新しい検出アルゴリズムを提案する。 モデルによって抽出された特徴に対する次元の呪いの影響を軽減するために、教師付き次元削減技術を利用する。 これは高解像度の特徴マップを用いて、教師なしの方法で潜在的に未知の物体を識別する。
  論文  参考訳（メタデータ） (2024-11-07T10:15:25Z)
• LTRDetector: Exploring Long-Term Relationship for Advanced Persistent Threats Detection [20.360010908574303]
  Advanced Persistent Threat (APT) は, 持続時間, 発生頻度, 適応的隠蔽技術により, 検出が困難である。 既存のアプローチは主に、永続的な攻撃ライフサイクルを通じて形成された複雑な関係を無視して、攻撃行動の観測可能な特性に重点を置いている。 LTRDetectorと呼ばれる革新的なAPT検出フレームワークを提案し、エンド・ツー・エンドの全体的操作を実装した。
  論文  参考訳（メタデータ） (2024-04-04T02:30:51Z)
• Enhancing Novel Object Detection via Cooperative Foundational Models [68.93124785575739]
  本稿では,既存のクローズドセット検出器をオープンセット検出器に変換する新しい手法を提案する。 私たちは、新しいクラスに対して7.2$ textAP_50 のマージンで現在の最先端を越えています。
  論文  参考訳（メタデータ） (2023-11-19T17:28:28Z)
• You Only Need Two Detectors to Achieve Multi-Modal 3D Multi-Object Tracking [9.20064374262956]
  提案手法は,2次元検出器と3次元検出器のみを用いて,ロバストなトラッキングを実現する。 多くの最先端のTBDベースのマルチモーダルトラッキング手法よりも正確であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-18T02:45:18Z)
• TAD: Transfer Learning-based Multi-Adversarial Detection of Evasion Attacks against Network Intrusion Detection Systems [0.7829352305480285]
  我々は、侵入検知のための既存の最先端モデルを実装している。 次に、選択した回避攻撃のセットでこれらのモデルを攻撃します。 これらの敵攻撃を検知するために、我々は複数の移動学習に基づく敵検知器を設計、実装する。
  論文  参考訳（メタデータ） (2022-10-27T18:02:58Z)

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。