論文の概要: GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking

• arxiv url: http://arxiv.org/abs/2607.15699v1
• Date: Fri, 17 Jul 2026 07:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.780026
• Title: GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking
• Title（参考訳）: GoStop:イベントベースの特徴追跡における適応的時間集約のための強化学習
• Abstract要約: イベントカメラは低レイテンシとモーションロバストな知覚を可能にし、高速かつ非線形な動作下での機能追跡に適している。 既存のイベントベースの機能トラッキング手法は、イベントの蓄積を手作業で調整する、固定されたルールに依存している。 オンラインイベントベースの特徴追跡のための蓄積過程を適応的に制御する強化学習フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 71.9852231453445
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Feature tracking plays a fundamental role in understanding scene motion and supports various downstream tasks. Event cameras, with their high temporal resolution and asynchronous sensing, enable low-latency and motion-robust perception, making them well-suited for feature tracking under fast and non-linear motion. However, existing event-based feature tracking methods rely on fixed heuristic rules based on hand-tuning for event accumulation. Such strategies fail to adapt to diverse motion dynamics, leading to degraded performance under abrupt motion changes or low-motion scenarios. In this paper, we model event accumulation as a sequential decision-making problem and introduce reinforcement learning (RL) framework to adaptively control the accumulation process for online event-based feature tracking. Our approach trains a RL agent that decides whether to continue accumulating events or to perform tracking inference based on motion cues. The proposed adaptive temporal agent enables dynamic adaptation to varying motion patterns without relying on hand-crafted rules. Furthermore, we introduce a Dynamic Event-based Tracking (DEFT) dataset with dynamic motion distributions to evaluate the robustness of the feature tracking. Extensive experiments demonstrate that integrating our plug-and-play framework to existing feature tracking methods consistently outperforms heuristic-based approaches, improving robustness under dynamic motion while offering a better balance between tracking accuracy and efficiency. Our project codes and datasets are available at https://github.com/kmax2001/GoSTOP
• Abstract（参考訳）: 特徴追跡はシーンの動きを理解する上で基本的な役割を担い、様々な下流タスクをサポートする。 イベントカメラは、その高時間分解能と非同期センシングにより、低レイテンシとモーションロバストな知覚を可能にし、高速かつ非線形な動作下での機能追跡に適している。 しかし、既存のイベントベースの特徴追跡手法は、イベント蓄積のハンドチューニングに基づく固定されたヒューリスティックなルールに依存している。 このような戦略は多様な動き力学に適応できず、急激な動きの変化や低動きのシナリオで性能が低下する。 本稿では、イベント蓄積を逐次決定問題としてモデル化し、オンラインイベントベースの特徴追跡のための蓄積過程を適応的に制御する強化学習(RL)フレームワークを導入する。 我々の手法は、イベントの蓄積を継続するか、またはモーションキューに基づいて追跡推論を行うかを決定するRLエージェントを訓練する。 提案する適応時間的エージェントは,手作りルールに頼ることなく,様々な動作パターンへの動的適応を可能にする。 さらに,特徴追跡のロバスト性を評価するために,動的動き分布を持つ動的イベントベーストラッキング(DEFT)データセットを導入する。 我々のプラグイン・アンド・プレイフレームワークを既存の機能トラッキング手法に統合することは、ヒューリスティックなアプローチを一貫して上回り、動的動作下での堅牢性を改善しながら、トラッキング精度と効率のバランスを良くすることを示した。 私たちのプロジェクトコードとデータセットはhttps://github.com/kmax 2001/GoSTOPで公開されています。

関連論文リスト

• BFMTrack: Latent Sequence Optimization for Physics-Based Motion Tracking with Behavioral Foundation Models [7.959692704349906]
  行動基礎モデル(BFM)は、物理的に妥当な行動の豊富なレパートリーを、大規模な運動データセットによってガイドされた潜在空間に整理する。 これらのモデルは、ゴール取得や状態ベースの報酬最適化のような時間不変のタスクで優れているが、その潜在空間は、モーションシーケンスの追跡のような時間変化の目的を直接サポートしていない。 本稿では,これらの欠点に対処する新しいLatent Sequence Optimization(LSO)を提案する。
  論文  参考訳（メタデータ） (2026-06-23T18:12:22Z)
• Dynamic Pondering Sparsity-aware Mixture-of-Experts Transformer for Event Stream based Visual Object Tracking [44.11576998237289]
  RGBベースのトラッカーは、低照度や高速モーションなどの困難な撮像条件に対して脆弱である。 イベントカメラは、ピクセルワイドの明るさ変化を捉え、高いダイナミックレンジと高時間分解能を提供することで、有望な代替手段を提供する。 複数の時間スケールにまたがるイベント密度変動を明示的にモデル化するイベント空間認識追跡フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T12:25:03Z)
• F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
  非同期推論はロボット操作における主要なパラダイムとして現れている。 本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。 本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-04-02T17:57:15Z)
• MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning [66.53533434848369]
  密集した表現を学習する動き誘導型自己学習フレームワークを提案する。 6つの画像およびビデオデータセットと4つの評価ベンチマークにおいて、最先端を1%から6%改善する。
  論文  参考訳（メタデータ） (2025-06-10T11:20:32Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• FLD: Fourier Latent Dynamics for Structured Motion Representation and Learning [19.491968038335944]
  本研究では,周期的・準周期的な動きの時空間関係を抽出する自己教師付き構造表現生成手法を提案する。 我々の研究は、一般的な動き表現と学習アルゴリズムの今後の進歩への新たな可能性を開く。
  論文  参考訳（メタデータ） (2024-02-21T13:59:21Z)
• MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
  本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。 実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-06-05T04:24:11Z)
• AMP: Adversarial Motion Priors for Stylized Physics-Based Character Control [145.61135774698002]
  我々は,与えられたシナリオで追跡するキャラクタの動作を選択するための完全自動化手法を提案する。 キャラクタが実行するべきハイレベルなタスク目標は、比較的単純な報酬関数によって指定できる。 キャラクタの動作の低レベルスタイルは、非構造化モーションクリップのデータセットによって指定できる。 本システムでは,最先端のトラッキング技術に匹敵する高品質な動作を生成する。
  論文  参考訳（メタデータ） (2021-04-05T22:43:14Z)

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。