論文の概要: SFDATrack: Generalized Source-Free Domain Adaptive Tracking Under Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2607.00369v1
• Date: Wed, 01 Jul 2026 03:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.699664
• Title: SFDATrack: Generalized Source-Free Domain Adaptive Tracking Under Adverse Weather Conditions
• Title（参考訳）: SFDATrack: 逆気象条件下での汎用オープンソースフリードメイン適応トラッキング
• Abstract要約: SFDATrackは、悪天候下で物体を追跡するための、ソースフリーのドメイン適応トラッカーである。 SFDATrackは最先端のアプローチに比べて優れた性能を示した。
• 参考スコア（独自算出の注目度）: 81.31561238030939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptive visual object tracking under adverse weather conditions has garnered significant attention in recent years. Despite the impressive performance, existing methods heavily rely on the large-scale video frames from both source and target domains, which is impractical under rigid resource constraints where source data is unavailable. To overcome this limitation, we propose SFDATrack, a generalized source-free domain adaptive tracker that merely leverages adverse weather samples from the target domain for robust state estimation. Specifically, SFDATrack first employs a mean-teacher backbone with Dual Interactive Mamba (DIM) blocks to distill the candidate target tokens that are resilient to weather variations from classified, augmented samples. Afterwards, we introduce a hyperspherical prototype projection (HPP) module to project these tokens onto multi-domain prototypes within a latent hyperspherical space. By enforcing both domain-specific and domain-invariant properties of the multi-domain prototypes, SFDATrack can be seamlessly adapted to diverse weather conditions with powerful generalizability. Extensive experiments evaluated on various benchmarks demonstrate that SFDATrack achieves superior performance compared to state-of-the-art approaches. The code is available at https://github.com/watcherBR0/sfdatrack.
• Abstract（参考訳）: 近年,悪天候下での領域適応型視覚物体追跡が注目されている。 優れたパフォーマンスにもかかわらず、既存の手法はソースデータとターゲットドメインの両方からの大規模なビデオフレームに大きく依存しており、ソースデータが利用できない厳格なリソース制約の下では現実的ではない。 この制限を克服するために、ターゲットドメインからの悪天候サンプルを単純に利用して、ロバストな状態推定を行う、汎用的なソースフリードメイン適応トラッカーであるSFDATrackを提案する。 具体的には、SFDATrackはまず、Dual Interactive Mamba(DIM)ブロックを備えた平均教師バックボーンを使用して、分類された強化されたサンプルから、天候に耐性のある候補トークンを蒸留する。 その後,超球面空間内の多領域プロトタイプにこれらのトークンを投影するために,超球面プロトタイププロジェクション(HPP)モジュールを導入する。 マルチドメインプロトタイプのドメイン固有性とドメイン不変性の両方を強制することにより、SFDATrackは強力な一般化性を持つ多様な気象条件にシームレスに適応することができる。 様々なベンチマークで評価された大規模な実験により、SFDATrackは最先端のアプローチに比べて優れた性能を発揮することが示された。 コードはhttps://github.com/watcherBR0/sfdatrackで入手できる。

関連論文リスト

• DroneFINE: Domain-Aware Parameter-Efficient Fine-Tuning of Vision-Language Detectors for Drone Images [50.96240625673857]
  DroneFINEは、VLMベースのドローン画像検出器用に設計された2つのドメイン対応補完モジュールからなる、新しいPEFTパラダイムである。 DroneFINEは既存のPEFTメソッドを著しく上回り、完全な微調整に匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-01T02:27:40Z)
• ConstStyle: Robust Domain Generalization with Unified Style Transformation [16.853951836297203]
  ドメイン・ジェネリゼーション(DG)は、ドメイン不変の機能に焦点をあてたり、より多様なデータを増やすことで、この問題に対処することを目的としている。 ConstStyleは、統一ドメインを利用して、ドメイン不変の特徴を捉え、理論解析でドメインギャップを埋める新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-07T08:40:19Z)
• UMDATrack: Unified Multi-Domain Adaptive Tracking Under Adverse Weather Conditions [73.71632291123008]
  各種の悪天候条件下での高品質な目標状態予測を行うUMDATrackを提案する。 私たちのコードはhttps://github.com/Z-Z188/UMDATrack.comから入手可能です。
  論文  参考訳（メタデータ） (2025-07-01T10:43:57Z)
• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• Exploring Few-Shot Adaptation for Activity Recognition on Diverse Domains [46.26074225989355]
  ドメイン適応は、さまざまな環境における正確で堅牢なパフォーマンスを保証するために、アクティビティ認識に不可欠である。 本研究では,FewShot Domain Adaptation for Activity Recognition (FSDA-AR) に焦点をあてる。 より多様で困難な領域への適応を考慮した5つの確立されたデータセットを用いた新しいFSDA-ARを提案する。
  論文  参考訳（メタデータ） (2023-05-15T08:01:05Z)
• Domain Adaptive Object Detection for Autonomous Driving under Foggy Weather [25.964194141706923]
  本稿では,霧気候下での自律走行のための新しい領域適応型物体検出フレームワークを提案する。 本手法は画像レベルの適応とオブジェクトレベルの適応を両立させ,画像スタイルとオブジェクトの外観における領域差を低減させる。 評価実験の結果,提案手法の有効性と精度が示された。
  論文  参考訳（メタデータ） (2022-10-27T05:09:10Z)
• An Unsupervised Domain Adaptive Approach for Multimodal 2D Object Detection in Adverse Weather Conditions [5.217255784808035]
  本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。 天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。 DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
  論文  参考訳（メタデータ） (2022-03-07T18:10:40Z)
• Domain Adaptive SiamRPN++ for Object Tracking in the Wild [10.61438063305309]
  我々は、トラッカーのクロスドメイン転送性とロバスト性を改善するために、Domain Adaptive SiamRPN++を導入する。 A-距離理論に着想を得て,Pixel Domain Adaptation (PDA) と Semantic Domain Adaptation (SDA) の2つのドメイン適応モジュールを提案する。 PDAモジュールはテンプレートと検索領域の画像の特徴マップを整列し、ピクセルレベルのドメインシフトを排除する。 SDAモジュールは、セマンティックレベルのドメインシフトを排除するために、トラッキングターゲットの外観の特徴表現を整列する。
  論文  参考訳（メタデータ） (2021-06-15T03:40:53Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。