論文の概要: Rethinking Generic Object Tracking Toward Human-Level Perceptual Intelligence
- arxiv url: http://arxiv.org/abs/2607.01395v1
- Date: Wed, 01 Jul 2026 18:54:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.560351
- Title: Rethinking Generic Object Tracking Toward Human-Level Perceptual Intelligence
- Title（参考訳）: 人間レベル知覚知能に向けたジェネリック物体追跡の再考
- Abstract要約: この論文は、機械視覚追跡システムと人間の視覚知覚のギャップを狭めることを目的としている。
追跡モデルの目標識別、ロバスト適応、幾何学的推論能力を体系的に強化する一連の手法を提案する。
- 参考スコア（独自算出の注目度）: 0.8883733362171032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: At the heart of human visual perception lies the ability to maintain a continuous and coherent understanding of the external world. By integrating observations with accumulated experience, the human visual system can continuously adapt to variations in both the target and its surrounding environment, while preserving robust visual continuity as scene dynamics evolve. Human vision can therefore integrate prior knowledge, spatial geometry, and semantic context to understand complex scenes and their changes. As a core problem in computer vision, visual object tracking aims to bring machine perception closer to human visual perception. These capabilities are central to the task of Generic Object Tracking (GOT). In this task, a visual tracker is initialized only with the bounding box of an arbitrarily specified target in the first frame, and must continuously localize the target in subsequent dynamic visual streams. However, future events, observations, and real-world variations are inherently unpredictable; therefore, the model's generalization and online adaptation capabilities remain bottlenecks. Tracking reliability can deteriorate when the target undergoes severe deformation, is affected by complex distractors, encounters significant environmental changes, or belongs to a category unseen during training. This dissertation aims to narrow the gap between machine visual tracking systems and human visual perception by proposing a series of methods that systematically enhance the target discrimination, robust adaptation, and geometric reasoning capabilities of tracking models.
- Abstract（参考訳）: 人間の視覚的知覚の中心には、外界の連続的で一貫性のある理解を維持する能力がある。
蓄積した経験と観察を統合することで、人間の視覚システムは、シーンのダイナミクスが進化するにつれて、堅牢な視覚的連続性を保ちながら、ターゲットと周囲の環境の変動に継続的に適応することができる。
したがって、人間の視覚は、複雑なシーンとその変化を理解するために、事前の知識、空間幾何学、意味的文脈を統合することができる。
コンピュータビジョンにおける中核的な問題として、視覚オブジェクト追跡は、人間の視覚知覚にマシンの知覚を近づけることを目的としている。
これらの機能は、ジェネリックオブジェクトトラッキング(GOT)のタスクの中心である。
このタスクでは、視覚トラッカーは、第1フレーム内の任意に指定されたターゲットのバウンディングボックスでのみ初期化され、その後の動的ビジュアルストリームにおいてターゲットを連続的にローカライズする必要がある。
しかし、将来の事象、観測、実世界の変動は本質的に予測できないため、モデルの一般化とオンライン適応能力はボトルネックのままである。
追跡信頼性は、ターゲットが厳しい変形を受けたときに低下し、複雑な障害の影響を受け、重大な環境変化に遭遇したり、訓練中に目に見えないカテゴリーに属したりする。
この論文は、目標識別、ロバスト適応、追跡モデルの幾何学的推論能力を体系的に強化する一連の手法を提案することによって、機械視覚追跡システムと人間の視覚知覚のギャップを狭めることを目的としている。
関連論文リスト
- Vision Pretraining for Dense Spatial Perception [69.54043654361772]
我々は境界中心レンズによる視力事前訓練について研究し、境界と形状の不連続性が幾何学的性質の知覚に必須の手がかりとなるという前提によって動機づけられた。
その結果,境界モデリングは単純な線分を超えて,空間的に構造化された視覚表現を学習するためのスケーラブルな事前学習原理として機能することがわかった。
論文 参考訳（メタデータ） (2026-07-06T15:56:14Z) - Temporal Slowness in Central Vision Drives Semantic Object Learning [10.92192887447196]
人間は最小限の監督力で自我中心の視覚ストリームから意味オブジェクト表現を取得する。
本研究では,人間の視覚体験から意味的対象表現を形成する上で,中心視とスローネス学習が果たす役割について検討した。
論文 参考訳（メタデータ） (2026-02-04T11:47:58Z) - EscherVerse: An Open World Benchmark and Dataset for Teleo-Spatial Intelligence with Physical-Dynamic and Intent-Driven Understanding [56.89359230139883]
本稿では,Teleo-Spatial Intelligence(TSI)について紹介する。
本稿では、大規模なオープンワールドベンチマーク(Escher-Bench)、データセット(Escher-35k)、モデル(Escherシリーズ)からなるEscherVerseを紹介する。
これはIntent-Driven Reasoningを体系的に評価する最初のベンチマークである。
論文 参考訳（メタデータ） (2026-01-04T14:42:39Z) - Active Visual Perception: Opportunities and Challenges [12.914464199946922]
本稿では,アクティブな視覚知覚に固有の機会と課題について考察する。
それは、その可能性、現在の研究、そしてより広範な採用のために克服されなければならない障害について、包括的な概要を提供する。
論文 参考訳（メタデータ） (2025-12-03T11:27:37Z) - Eyes on Target: Gaze-Aware Object Detection in Egocentric Video [1.3320917259299652]
我々は、エゴセントリックビデオのための新しい奥行き認識および視線誘導オブジェクト検出フレームワークであるEyes on Targetを提案する。
提案手法は視覚変換器(ViT)の注意機構に視線由来の特徴を注入し,空間的特徴選択を人間に適応した領域へ効果的にバイアスする。
我々は,人間の視覚的注意が課題評価に重要であるエゴセントリック・シミュレーター・データセット上で本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-11-03T05:21:58Z) - Align and Surpass Human Camouflaged Perception: Visual Refocus Reinforcement Fine-Tuning [18.13538667261998]
現在のマルチモーダルモデルは、背景に視覚的に同化されている物体を特定する際に、人間の視覚システムと顕著な相違を示す。
我々は、人間の視覚的カモフラージュされた知覚を段階的に再現し、視覚的隠蔽コンテンツを反復的に再焦点する視覚システムを構築した。
論文 参考訳（メタデータ） (2025-05-26T07:27:18Z) - Emergent Active Perception and Dexterity of Simulated Humanoids from Visual Reinforcement Learning [69.71072181304066]
本稿では,擬似ヒューマノイドを用いた視覚駆動全身制御フレームワークであるPerceptive Dexterous Control (PDC)を紹介する。
PDCは、タスク仕様のためのエゴセントリックなビジョンのみを運用し、ビジュアルキューによるオブジェクト検索、ターゲット配置、スキル選択を可能にする。
強化学習によるスクラッチからのトレーニングは,能動探索などの創発的な行動を引き起こす可能性があることを示す。
論文 参考訳（メタデータ） (2025-05-18T07:33:31Z) - Testing the Limits of Fine-Tuning for Improving Visual Cognition in Vision Language Models [51.58859621164201]
視覚認知タスクにおける視覚刺激と人間の判断を導入し,認知領域間でのパフォーマンスを評価する。
我々は、直感的な物理と因果推論のために、地上の真理データに基づいてモデルを微調整する。
タスク固有の微調整は、他の視覚的特徴を持つデータに対する堅牢な人間ライクな一般化に寄与しない。
論文 参考訳（メタデータ） (2025-02-21T18:58:30Z) - Spotlight Attention: Robust Object-Centric Learning With a Spatial
Locality Prior [88.9319150230121]
オブジェクト中心のビジョンは、シーン内のオブジェクトの明示的な表現を構築することを目的としています。
我々は、空間的局所性を最先端のオブジェクト中心視覚モデルに組み込む。
合成および実世界の両方のデータセットにおけるセグメンテーションオブジェクトの大幅な改善が得られた。
論文 参考訳（メタデータ） (2023-05-31T04:35:50Z) - Attention Mechanisms in Computer Vision: A Survey [75.6074182122423]
本稿では,コンピュータビジョンにおける様々な注意機構について概観する。
チャネルアテンション,空間アテンション,時間アテンション,分岐アテンションなど,アプローチによって分類する。
我々は注意機構研究の今後の方向性を提案する。
論文 参考訳（メタデータ） (2021-11-15T09:18:40Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z)
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。