論文の概要: Fully Spiking Neural Networks with Target Awareness for Energy-Efficient UAV Tracking

• arxiv url: http://arxiv.org/abs/2603.27493v1
• Date: Sun, 29 Mar 2026 03:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.984851
• Title: Fully Spiking Neural Networks with Target Awareness for Energy-Efficient UAV Tracking
• Title（参考訳）: エネルギー効率のよいUAV追跡のための目標認識型完全スパイクニューラルネットワーク
• Authors: Pengzhi Zhong, Jiwei Mo, Dan Zeng, Feixiang He, Shuiwang Li,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は無人航空機(UAV)におけるエネルギー効率の高い視覚追跡に大きな可能性を示している 本稿では,RGB入力のみを用いたUAV視覚追跡のための,効率的な完全スパイクニューラルネットワークフレームワークSTATrackを提案する。
• 参考スコア（独自算出の注目度）: 14.032296206825793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking Neural Networks (SNNs), characterized by their event-driven computation and low power consumption, have shown great potential for energy-efficient visual tracking on unmanned aerial vehicles (UAVs). However, existing efficient SNN-based trackers heavily rely on costly event cameras, limiting their deployment on UAVs. To address this limitation, we propose STATrack, an efficient fully spiking neural network framework for UAV visual tracking using RGB inputs only. To the best of our knowledge, this work is the first to investigate spiking neural networks for UAV visual tracking tasks. To mitigate the weakening of target features by background tokens, we propose adaptively maximizing the mutual information between templates and features. Extensive experiments on four widely used UAV tracking benchmarks demonstrate that STATrack achieves competitive tracking performance while maintaining low energy consumption.
• Abstract（参考訳）: イベント駆動型計算と低消費電力を特徴とするスパイキングニューラルネットワーク(SNN)は、無人航空機(UAV)におけるエネルギー効率の高い視覚追跡に大きな可能性を示している。 しかし、既存の効率的なSNNベースのトラッカーはコストのかかるイベントカメラに大きく依存しており、UAVへの展開を制限している。 この制限に対処するために、RGB入力のみを用いたUAV視覚追跡のための効率的な完全スパイクニューラルネットワークフレームワークSTATrackを提案する。 我々の知る限りでは、この研究は、UAV視覚追跡タスクのためのスパイクニューラルネットワークを初めて研究したものだ。 背景トークンによるターゲット特徴の弱化を軽減するため,テンプレートと特徴間の相互情報を適応的に最大化する手法を提案する。 広く使用されている4つのUAV追跡ベンチマークの大規模な実験は、STATrackが低エネルギー消費を維持しながら競争力のある追跡性能を達成することを示した。

関連論文リスト

• CGTrack: Cascade Gating Network with Hierarchical Feature Aggregation for UAV Tracking [20.14331144617911]
  本稿では,ネットワーク容量を拡大する明示的かつ暗黙的な手法を組み合わせた新しいUAVトラッカーであるCGTrackを紹介する。 3つの挑戦的なUAV追跡ベンチマークの実験は、CGTrackが高速に動作しながら最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-09T10:27:01Z)
• Strong Baseline: Multi-UAV Tracking via YOLOv12 with BoT-SORT-ReID [0.03464344220266879]
  熱赤外ビデオにおけるマルチUAV追跡は、低コントラスト、環境騒音、小型ターゲットサイズのために困難である。 本稿では, YOLOv12 と BoT-SORT 上に構築されたトラッキングフレームワークについて述べる。 実装の詳細、詳細な実験分析、潜在的な改善に関する議論を提供する。
  論文  参考訳（メタデータ） (2025-03-21T15:40:18Z)
• Learning Motion Blur Robust Vision Transformers for Real-Time UAV Tracking [14.382072224997074]
  無人航空機(UAV)の追跡は、監視、捜索救助、自律航法といった用途に欠かせない。 UAVとターゲットの高速移動は、リアルタイム処理要求や激しい動きのぼかしなど、ユニークな課題をもたらす。 本稿では,リアルタイムなUAVトラッキングのために,Transformerブロックを動的に終了する適応型計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-07T14:10:04Z)
• BEVTrack: A Simple and Strong Baseline for 3D Single Object Tracking in Bird's-Eye View [54.48052449493636]
  3Dシングルオブジェクトトラッキング(SOT)はコンピュータビジョンの基本課題であり、自律運転のようなアプリケーションにおいて重要な役割を果たす。 BEVTrackは、シンプルだが効果的な動きに基づくトラッキング手法である。 我々は,BEVTrackが200FPSで動作しながら最先端の結果を達成し,リアルタイム適用性を実現していることを示す。
  論文  参考訳（メタデータ） (2023-09-05T12:42:26Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Temporally-Transferable Perturbations: Efficient, One-Shot Adversarial Attacks for Online Visual Object Trackers [81.90113217334424]
  本研究では, オブジェクトテンプレート画像からのみ, 一時移動可能な対人的摂動を生成するフレームワークを提案する。 この摂動はあらゆる検索画像に追加され、事実上何のコストもかからないが、それでもトラッカーを騙すのに成功している。
  論文  参考訳（メタデータ） (2020-12-30T15:05:53Z)
• Offloading Optimization in Edge Computing for Deep Learning Enabled Target Tracking by Internet-of-UAVs [22.143742665920573]
  無人航空機(UAV)は標的追跡などの情報提供に広く利用されている。 プレトレーニングされた畳み込みニューラルネットワーク(CNN)がUAVに展開され、キャプチャされたビデオフレームからターゲットを特定する。 この種の視覚目標追跡は、所望の高推論精度と厳格な遅延要求のため、多くの計算資源を必要とする。 これは、このようなディープラーニング(DL)タスクをモバイルエッジコンピューティング(MEC)サーバにオフロードすることを検討する動機となります。
  論文  参考訳（メタデータ） (2020-08-18T16:00:36Z)
• Efficient Adversarial Attacks for Visual Object Tracking [73.43180372379594]
  本稿では,新たなドリフト損失と組込み機能損失を併用して,シームズネットワークベースのトラッカーを攻撃するエンド・ツー・エンド・エンド・ネットワークFANを提案する。 単一のGPUの下では、FANはトレーニング速度が効率的で、強力な攻撃性能を持つ。
  論文  参考訳（メタデータ） (2020-08-01T08:47:58Z)
• Robust Visual Object Tracking with Two-Stream Residual Convolutional Networks [62.836429958476735]
  視覚追跡のための2ストリーム残差畳み込みネットワーク(TS-RCN)を提案する。 私たちのTS-RCNは、既存のディープラーニングベースのビジュアルトラッカーと統合することができます。 トラッキング性能をさらに向上するため、我々はResNeXtを特徴抽出バックボーンとして採用する。
  論文  参考訳（メタデータ） (2020-05-13T19:05:42Z)

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。