論文の概要: Detecting Object Tracking Failure via Sequential Hypothesis Testing

• arxiv url: http://arxiv.org/abs/2602.12983v1
• Date: Fri, 13 Feb 2026 14:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.993775
• Title: Detecting Object Tracking Failure via Sequential Hypothesis Testing
• Title（参考訳）: 逐次仮説テストによる物体追跡失敗の検出
• Authors: Alejandro Monroy Muñoz, Rajeev Verma, Alexander Timans,
• Abstract要約: ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
• 参考スコア（独自算出の注目度）: 80.7891291021747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time online object tracking in videos constitutes a core task in computer vision, with wide-ranging applications including video surveillance, motion capture, and robotics. Deployed tracking systems usually lack formal safety assurances to convey when tracking is reliable and when it may fail, at best relying on heuristic measures of model confidence to raise alerts. To obtain such assurances we propose interpreting object tracking as a sequential hypothesis test, wherein evidence for or against tracking failures is gradually accumulated over time. Leveraging recent advancements in the field, our sequential test (formalized as an e-process) quickly identifies when tracking failures set in whilst provably containing false alerts at a desired rate, and thus limiting potentially costly re-calibration or intervention steps. The approach is computationally light-weight, requires no extra training or fine-tuning, and is in principle model-agnostic. We propose both supervised and unsupervised variants by leveraging either ground-truth or solely internal tracking information, and demonstrate its effectiveness for two established tracking models across four video benchmarks. As such, sequential testing can offer a statistically grounded and efficient mechanism to incorporate safety assurances into real-time tracking systems.
• Abstract（参考訳）: ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンの中核的なタスクであり、ビデオ監視、モーションキャプチャ、ロボット工学など幅広い応用がある。 展開された追跡システムは、追跡が信頼できるときに、そして失敗する可能性があるときに伝達するための正式な安全保証を欠いている。 このような保証を得るために, 物体追跡を逐次仮説テストとして解釈することを提案する。 この分野における最近の進歩を活用して、シーケンシャルテスト(Eプロセスとして形式化された)は、望ましい速度で偽の警告を確実に含んでいる一方で、設定された障害を追跡することで、潜在的にコストのかかる再校正や介入のステップを制限します。 このアプローチは計算的に軽量であり、追加のトレーニングや微調整は必要とせず、原則としてモデルに依存しない。 そこで本研究では、4つのビデオベンチマークにまたがる2つの追跡モデルの有効性を実証する。 そのため、シーケンシャルテストは、安全保証をリアルタイムトラッキングシステムに組み込むための統計的に基礎と効率的なメカニズムを提供することができる。

関連論文リスト

• Can We Detect Failures Without Failure Data? Uncertainty-Aware Runtime Failure Detection for Imitation Learning Policies [19.27526590452503]
  FAIL-Detectは、模倣学習に基づくロボット操作における障害検出のための2段階のアプローチである。 まず、政策失敗と相関し、不確実性を捉えるスカラー信号にポリシー入力と出力を蒸留する。 我々の実験は、新しいフローベース密度推定器を使用する場合、学習信号がほぼ一貫した効果を示す。
  論文  参考訳（メタデータ） (2025-03-11T15:47:12Z)
• UTrack: Multi-Object Tracking with Uncertain Detections [37.826006378381955]
  我々は,物体検出中に経験的予測分布を得るための高速な手法を初めて紹介する。 我々の機構は最先端のトラッカーに容易に統合でき、検出の不確実性を完全に活用できる。 我々は,MOT17,MOT20,DanceTrack,KITTIなど,さまざまなベンチマークに対するコントリビューションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-30T08:34:51Z)
• 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)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Unsupervised Deep Representation Learning for Real-Time Tracking [137.69689503237893]
  視覚追跡のための教師なし学習手法を提案する。 教師なし学習の動機は、ロバストなトラッカーが双方向トラッキングに有効であるべきだということです。 我々は,シームズ相関フィルタネットワーク上にフレームワークを構築し,教師なし学習を容易にするために,多フレーム検証方式とコスト感受性損失を提案する。
  論文  参考訳（メタデータ） (2020-07-22T08:23:12Z)
• AFAT: Adaptive Failure-Aware Tracker for Robust Visual Object Tracking [46.82222972389531]
  Siameseのアプローチは近年、ビジュアルオブジェクト追跡において有望なパフォーマンスを実現している。 Siameseパラダイムは、オンライントラッキングタスクをモデル化するためにワンショット学習を使用し、トラッキングプロセスにおけるオンライン適応を妨げる。 本稿では,コンボリューショナルモジュールとLSTMモジュールをベースとしたフェールアウェアシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:21:12Z)
• Training-free Monocular 3D Event Detection System for Traffic Surveillance [93.65240041833319]
  既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。 現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。 本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
  論文  参考訳（メタデータ） (2020-02-01T04:42:57Z)

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。