論文の概要: Accurate Planar Tracking With Robust Re-Detection

• arxiv url: http://arxiv.org/abs/2602.19624v1
• Date: Mon, 23 Feb 2026 09:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.746256
• Title: Accurate Planar Tracking With Robust Re-Detection
• Title（参考訳）: ロバスト再検出による正確な平面追跡
• Authors: Jonas Serych, Jiri Matas,
• Abstract要約: 我々はSAM-HとWOFTSAMを提示する。SAM 2で提供される堅牢な長期セグメント追跡と8自由度ホモグラフィーによるポーズ推定を組み合わせた新しい平面トラッカーである。 提案手法はPOT-210とPlanarTrackのトラッキングベンチマークで評価され,両者に新たな最先端性能が設定された。 また,初期PlanarTrackのポーズに対して,高精度のp@5でより正確なベンチマークを行うことが可能になった。
• 参考スコア（独自算出の注目度）: 17.216623635232928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SAM-H and WOFTSAM, novel planar trackers that combine robust long-term segmentation tracking provided by SAM 2 with 8 degrees-of-freedom homography pose estimation. SAM-H estimates homographies from segmentation mask contours and is thus highly robust to target appearance changes. WOFTSAM significantly improves the current state-of-the-art planar tracker WOFT by exploiting lost target re-detection provided by SAM-H. The proposed methods are evaluated on POT-210 and PlanarTrack tracking benchmarks, setting the new state-of-the-art performance on both. On the latter, they outperform the second best by a large margin, +12.4 and +15.2pp on the p@15 metric. We also present improved ground-truth annotations of initial PlanarTrack poses, enabling more accurate benchmarking in the high-precision p@5 metric. The code and the re-annotations are available at https://github.com/serycjon/WOFTSAM
• Abstract（参考訳）: そこで本研究では,SAM-H と WOFTSAM を,SAM 2 によって提供される堅牢な長期分割追跡と8自由度ホモグラフィーによるポーズ推定を組み合わせた新しい平面トラッカーを提案する。 SAM-Hは、セグメンテーションマスクの輪郭からホモグラフを推定し、ターゲットの外観変化に対して非常に堅牢である。 WOFTSAMは、SAM-Hによる失われた目標再検出を利用して、現在の最先端の平面トラッカーWOFTを大幅に改善する。 提案手法はPOT-210とPlanarTrackのトラッキングベンチマークで評価され,両者に新たな最先端性能が設定された。 後者では、p@15メートル法で+12.4と+15.2ppの差で2番目に高い。 また,初期PlanarTrackのポーズに対して,高精度のp@5でより正確なベンチマークを行うことが可能になった。 コードと再アノテーションはhttps://github.com/serycjon/WOFTSAMで確認できる。

関連論文リスト

• Benchmarking SAM2-based Trackers on FMOX [1.5866079116942815]
  高速移動物体(FMO)を含むデータセット上で,高性能トラッカー(SAM2,EfficientTAM,DAM4SAM,SAmuraI)のベンチマークを行う。 トラッカーのDAM4SAMとSAmuraIは、より困難なシーケンスでうまく機能する。
  論文  参考訳（メタデータ） (2025-12-10T13:21:09Z)
• Distractor-Aware Memory-Based Visual Object Tracking [17.945503249662675]
  本稿では,SAM2のイントロスペクションに基づくメモリモジュールとイントロスペクション・ベースの管理手法を提案する。 本設計は, 物体閉塞後のトラクションドリフトを効果的に低減し, 再検出能力を向上させる。 13のベンチマークで、DAM4SAMはSAM2.1より優れており、10に新しい最先端結果が設定されている。
  論文  参考訳（メタデータ） (2025-09-17T09:54:27Z)
• HiM2SAM: Enhancing SAM2 with Hierarchical Motion Estimation and Memory Optimization towards Long-term Tracking [48.52769927193921]
  本稿では,映像オブジェクト追跡タスクにおけるSAM2フレームワークの拡張について述べる。 本稿では,線形線形予測と選択的な非線形補正を組み合わせた階層的動き推定手法を提案し,学習を必要とせずに追従精度を向上させる。
  論文  参考訳（メタデータ） (2025-07-10T10:05:11Z)
• EdgeTAM: On-Device Track Anything Model [65.10032957471824]
  Segment Anything Model (SAM) 2はさらに、イメージからビデオへの入力をメモリバンク機構を通じて拡張する。 私たちはSAM 2をより効率的にし、同等のパフォーマンスを維持しながらモバイルデバイス上でも動作できるようにすることを目標としています。 計算コストを削減するために,新しい2次元空間知覚器を利用するEdgeTAMを提案する。
  論文  参考訳（メタデータ） (2025-01-13T12:11:07Z)
• Underwater Camouflaged Object Tracking Meets Vision-Language SAM2 [60.47622353256502]
  本研究は,UW-COT220という大規模水中カモフラージュ型物体追跡データセットを提案する。 提案したデータセットに基づいて、本研究はまず、水中環境に挑戦するSAMとSAM2ベースのトラッカーを含む、現在の高度な視覚オブジェクト追跡手法を評価する。 本研究はSAM2よりもSAM2を改良し,水中カモフラージュ物体の複雑度を処理できることを実証した。
  論文  参考訳（メタデータ） (2024-09-25T13:10:03Z)
• 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)

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。