論文の概要: When Fish Look Alike: Tracking Identities with Dual-branch Elasticity
- arxiv url: http://arxiv.org/abs/2607.26412v1
- Date: Wed, 29 Jul 2026 02:50:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.527795
- Title: When Fish Look Alike: Tracking Identities with Dual-branch Elasticity
- Title（参考訳）: 魚に似て見える:二枝の弾力性のある個体の追跡
- Authors: Vran Lee, Xin Liu, Yijie Wei, Yeqiang Liu, Hwa Liang Leo, Zhenbo Li,
- Abstract要約: デュアルブランチ弾性率(TIDE)による位置同定
デュアルブランチ弾性率(TIDE)を用いた追従同定法を提案する。
このデータセットとコードはhttps://vranlee.org/tIDE/で公開される。
- 参考スコア（独自算出の注目度）: 9.337549983530055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tracking dense, homogeneous targets like schooling fish remains a major challenge for multiple object tracking due to extreme inter-individual homogeneity, severe physical clustering, and rapid non-rigid deformations. While heavy-backbone separated detection and embedding trackers like SU-T push accuracy boundaries using complex Re-Identification networks, their computational overhead prohibits edge deployment. Furthermore, these modules often fail when appearance features degrade under severe occlusions. To overcome this, we propose Tracking Identities with Dual-branch Elasticity (TIDE). Bypassing expensive appearance cues, TIDE utilizes the Adaptive Geometric Correspondence IoU, an association mechanism leveraging spatial and structural consistency to robustly handle complex morphological variations. Crucially, TIDE introduces system-level deployment elasticity, decoupling the algorithmic pipeline from strict hardware constraints. Evaluations on the MFT-Edge benchmark demonstrate that our Lightweight L-branch achieves a competitive HOTA of 28.43 using merely 20.47G FLOPs. This represents a 38.7-fold computational reduction compared to upper bounds like SU-T, directly facilitating real-time edge deployment. Concurrently, our Scalable S-branch establishes a 29.98 HOTA, successfully bridging the gap between high-precision cloud analysis and efficient edge tracking. The dataset and codes are released at https://vranlee.github.io/TIDE/.
- Abstract（参考訳）: 放流魚のような密集した均質な標的を追跡することは、極度の個人間均質性、重度の物理的クラスタリング、急激な非剛性変形により、複数の物体追跡にとって大きな課題である。
重バックボーンは、複雑な再同定ネットワークを使用したSU-Tプッシュ精度境界のような検出と埋め込みのトラッカーを分離するが、その計算オーバーヘッドはエッジデプロイメントを妨げている。
さらに、これらのモジュールは、重度の閉塞下で外観が劣化すると、しばしば失敗する。
これを解決するために、デュアルブランチ弾力性(TIDE)を用いた追跡識別を提案する。
高価な外観の手がかりを通り抜けることで、TIDEは、空間的および構造的整合性を活用して複雑な形態変化を堅牢に処理するアダプティブ幾何学対応IoU(Adaptive Geometric Cor correspondingence IoU)を利用する。
重要なのは、TIDEはシステムレベルのデプロイメントの弾力性を導入し、厳格なハードウェア制約からアルゴリズムパイプラインを分離する。
MFT-Edgeベンチマークの評価によると、我々の軽量Lブランチは、わずか20.47GのFLOPを使用して28.43の競合HOTAを達成する。
これは、SU-Tのような上界に比べて38.7倍の計算量削減であり、リアルタイムエッジの展開を直接促進している。
同時に、当社のスケーラブルSブランチは29.98HOTAを確立し、高精度クラウド分析と効率的なエッジトラッキングのギャップを埋めることに成功した。
データセットとコードはhttps://vranlee.github.io/TIDE/で公開される。
関連論文リスト
- KPGrasp: Scalable Keypoint Flow Matching for Dexterous Grasp Generation [23.028638559051597]
KPGraspは,大規模データから事前の詳細な把握を学習するフローマッチングフレームワークである。
20の多様なオブジェクトに対する実験は、パイプラインを現実世界のセットアップでデプロイできることを示しています。
論文 参考訳（メタデータ） (2026-06-08T10:19:29Z) - LimiX-2M: Mitigating Low-Rank Collapse and Attention Bottlenecks in Tabular Foundation Models [56.999481798138625]
LimiX-2Mは2Mパラメータモデルであり、広く使われているベンチマークでTabPFN-v2とTabICLのベースラインを上回っている。
本稿では,強力なタブラル基礎モデル(TFM)のための統一トークン化・ルートフレームワークを提案する。
その結果、TFMにおける精度-効率トレードオフを改善するキーレバーとして、バリューアウェアトークン化とリードアウト整列ルーティングが強調された。
論文 参考訳（メタデータ） (2026-06-03T06:07:33Z) - Channel-Level Relation to Attentive Aggregation with Neighborhood-Homogeneity Constraint for Point Cloud Analysis [14.63838637349137]
3Dポイントのクラウド理解では、複雑な地区内の差別的特徴を正確に捉えることが課題である。
既存の手法では特徴相関の識別を探索するが、点レベルの空間分布やチャネル応答に制限される。
本稿では,チャネルレベルのメートル法に基づく拡張機構を備えた新しいネットワークであるPointCRAを提案する。
論文 参考訳（メタデータ） (2026-05-04T08:59:36Z) - EfficientPENet: Real-Time Depth Completion from Sparse LiDAR via Lightweight Multi-Modal Fusion [1.9903316442426757]
既存の手法は、標準ベンチマークで高い精度を達成するが、組み込みハードウェアへのリアルタイムデプロイメントを妨げる重いバックボーンアーキテクチャに依存している。
本稿では,従来のResNetエンコーダを近代化したConvNeXtバックボーンに置き換えた2分岐深度補完ネットワークであるEfficientPENetを提案する。
KITTIの深さ補完ベンチマークでは、EfficientPENet は 36.24M パラメータを持つ 631.94 mm のRMSEと、48.76 FPS で動作する 20.51 ms のレイテンシを達成した。
論文 参考訳（メタデータ） (2026-04-20T19:56:04Z) - ModTrack: Sensor-Agnostic Multi-View Tracking via Identity-Informed PHD Filtering with Covariance Propagation [1.0314567485992163]
MV-MOT(Multi-View Multi-Object Tracking)は、複数のセンサで観測されるオブジェクトの一貫したアイデンティティをローカライズし、維持することを目的としている。
最近のエンドツーエンドアプローチでは、2D Birdのアイビュー表現とアイデンティティアソシエーションを共同で学習し、高いトラッキング精度を実現することでこの問題に対処している。
本稿では,モジュール型MV-MOTシステムであるModTrackを提案する。
論文 参考訳（メタデータ） (2026-03-16T18:43:10Z) - Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。
本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。
我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
論文 参考訳（メタデータ） (2025-12-11T12:20:31Z) - CADTrack: Learning Contextual Aggregation with Deformable Alignment for Robust RGBT Tracking [68.71826342377004]
RGB-Thermal (RGBT) トラッキングは、堅牢な全天候物体追跡のために可視および熱赤外モードを活用することを目的としている。
既存のRGBTトラッカーはモダリティの相違を解決するのに苦労している。
RGBT追跡のためのCADTrackと呼ばれる,変形可能なアライメントによるコンテキストアグリゲーション(Contextual Aggregation)を提案する。
論文 参考訳（メタデータ） (2025-11-22T08:10:02Z) - PT$^2$-LLM: Post-Training Ternarization for Large Language Models [52.4629647715623]
大きな言語モデル(LLM)は、様々なタスクにまたがる印象的な機能を示しているが、その大きなメモリと計算能力は、デプロイメントを妨げている。
PT$2$-LLMを提案する。
その中核は2段精製パイプラインを備えた非対称3次量子化器である。
論文 参考訳（メタデータ） (2025-09-27T03:01:48Z) - What You Have is What You Track: Adaptive and Robust Multimodal Tracking [72.92244578461869]
本研究では,時間的に不完全なマルチモーダルデータを用いたトラッカー性能に関する総合的研究を行った。
我々のモデルは9つのベンチマークでSOTA性能を達成し、従来の完全性と欠落したモダリティ設定の両方で優れている。
論文 参考訳（メタデータ） (2025-07-08T11:40:21Z) - Hybrid-SORT: Weak Cues Matter for Online Multi-Object Tracking [51.16677396148247]
Multi-Object Tracking (MOT) は、望まれるすべてのオブジェクトをフレーム間で検出し、関連付けることを目的としている。
本稿では,MOTにおけるこの長期的課題を,弱い手がかりを取り入れることで,効果的かつ効果的に解決できることを実証する。
提案手法は,MOT17,MOT20,特にDanceTrackなど,様々なベンチマークにおいて優れた性能を実現する。
論文 参考訳（メタデータ） (2023-08-01T18:53:24Z)
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。