論文の概要: MaST: Motion-aware Sparse Pipeline for Lightweight Object Tracking

• arxiv url: http://arxiv.org/abs/2608.24365v1
• Date: Tue, 25 Aug 2026 10:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.93511
• Title: MaST: Motion-aware Sparse Pipeline for Lightweight Object Tracking
• Title（参考訳）: MaST:軽量物体追跡のための運動認識スパースパイプライン
• Abstract要約: トランスフォーマーベースのオブジェクトトラッカーは、高い性能で有名だが、高密度トークン処理は、しばしば計算コストの禁止につながる。 本研究では,トークンからボックスへの分散性を効果的にするスパーストラッキングフレームワークであるMotion-Aware Sparse Tracker (MaST)を紹介する。
• 参考スコア（独自算出の注目度）: 8.671473711194741
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Transformer-based object trackers are renowned for their strong performance, yet dense token processing often leads to prohibitive computational cost, limiting real-time deployment on edge devices. While recent works explore token pruning to reduce computation, they often stop short of an end-to-end sparse pipeline, as early-layer token scores can be noisy without a motion prior, and many trackers ultimately fall back to dense reshaping to feed the dense prediction head that partially negates the savings. We introduce Motion-aware Sparse Tracker (MaST), a sparse tracking framework that makes sparsity effective from tokens to boxes. First, MaST injects a lightweight motion prior to refine cross-attention-based importance scores, enabling earlier and more stable token reduction in the search region. Second, we introduce a natively sparse prediction head that operates directly on the retained unstructured tokens with a score-first, regress-once design, eliminating dense padding/reshaping and reducing redundant computation. Extensive experiments on multiple benchmarks demonstrate that MaST establishes new state of the art among lightweight trackers, where MaST-tiny attains 63.8 AUC on LaSOT and 80.1 SUC on TrackingNet, surpassing the prior best AsymTrack-S by +1.0 AUC and +2.2 SUC while running at 152 FPS on Jetson Nano, nearly twice as fast as AsymTrack-S at 88 FPS. Code is available at https://github.com/TsingWei/MaST.
• Abstract（参考訳）: トランスフォーマーベースのオブジェクトトラッカーは、強力なパフォーマンスで有名だが、高密度なトークン処理は、しばしば計算コストを禁止し、エッジデバイスへのリアルタイムデプロイメントを制限する。 近年の研究では、トークンプルーニング(トークンプルーニング)による計算の削減が検討されているが、初期層のトークンスコアが前もって動きをせずにうるため、端から端までのスパースパイプラインの停止がしばしばあり、多くのトラッカーは最終的に密度の高いリフォーミングに陥り、貯蓄の一部を否定する密度の高い予測ヘッドを供給している。 本研究では,トークンからボックスへの分散性を効果的にするスパーストラッキングフレームワークであるMotion-Aware Sparse Tracker (MaST)を紹介する。 まず、MASTは、クロスアテンションに基づく重要度スコアを洗練する前に軽量な動きを注入し、検索領域の早期かつより安定したトークン削減を可能にする。 第2に、スコアファーストの回帰オンス設計により、保持されていないトークンを直接操作し、高密度なパディング/リフォーミングを排除し、冗長な計算を削減できる、ネイティブにスパースな予測ヘッドを導入する。 複数のベンチマークによる大規模な実験により、MaST-tinyはLaSOTで63.8 AUC、TrackingNetで80.1 SUCに達し、Jetson Nanoで152 FPS、88 FPSでAsymTrack-Sで約2倍の速さでAsymTrack-Sを+1.0 AUC、+2.2 SUCを上回った。 コードはhttps://github.com/TsingWei/MaSTで入手できる。

関連論文リスト

• Hidden States as Early Signals: Step-level Trace Evaluation and Pruning for Efficient Test-Time Scaling [19.080366193748127]
  大規模言語モデル(LLM)は、複数のトレースを生成することによって、テスト時間スケーリングを通じて推論能力を向上することができる。 長い推論トレースと多重サンプリングの組み合わせは、相当な計算とエンドツーエンドのレイテンシをもたらす。 隠れ状態を用いて推論ステップを評価する新しいプルーニングフレームワークであるStep-level Trace Evaluation and Pruningを提案する。
  論文  参考訳（メタデータ） (2026-01-14T02:54:55Z)
• SOTFormer: A Minimal Transformer for Unified Object Tracking and Trajectory Prediction [3.08657139423562]
  最小限の定メモリ時間変換器である textbfSOTFormer を導入する。 オブジェクト検出、トラッキング、短期水平軌道予測を単一のエンドツーエンドフレームワークに統合する。 Mini-LaSOT (20%)ベンチマークでは、SOTFormerは76.3 AUCと53.7 FPS(AMP、4.3GB VRAM)を達成した。
  論文  参考訳（メタデータ） (2025-11-14T19:25:05Z)
• Beyond Frame-wise Tracking: A Trajectory-based Paradigm for Efficient Point Cloud Tracking [13.622939944601393]
  TrajTrackは、歴史的なバウンディングボックストラジェクトリだけで動きの連続性を暗黙的に学習することで、ベース2フレームトラッカーを強化する軽量フレームワークである。 新たな最先端性能を実現し、56FPSで走行しながら強力なベースライン上での追跡精度を4.48%向上させた。
  論文  参考訳（メタデータ） (2025-09-14T21:57:16Z)
• Online Dense Point Tracking with Streaming Memory [54.22820729477756]
  デンスポイントトラッキングは、ビデオのかなりの部分を通して、初期フレーム内のすべてのポイントの連続的な追跡を必要とする、困難なタスクである。 最近の点追跡アルゴリズムは、通常、最初のフレームから現在のフレームへの間接的な情報伝達のためにスライドウィンドウに依存する。 我々は、高密度のtextbfPOint textbfTracking とオンラインビデオ処理のための textbfStreaming メモリを備えた軽量で高速なモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-09T06:16:49Z)
• Two-stream Beats One-stream: Asymmetric Siamese Network for Efficient Visual Tracking [54.124445709376154]
  効率的な追跡を行うために,textbfAsymTrack という新しい非対称なシームズトラッカーを提案する。 このアーキテクチャに基づいて、検索機能に重要な手がかりを注入する効率的なテンプレート変調機構を考案する。 実験によると、AsymTrackは異なるプラットフォーム間で、より優れたスピード精度のトレードオフを提供する。
  論文  参考訳（メタデータ） (2025-03-01T14:44:54Z)
• LITE: A Paradigm Shift in Multi-Object Tracking with Efficient ReID Feature Integration [0.3277163122167433]
  マルチオブジェクト追跡(MOT)手法として,軽量な統合的追跡機能抽出パラダイムが導入された。 推論、前処理、後処理、ReIDモデルのトレーニングコストを削減して、ReIDベースのトラッカーを強化する。
  論文  参考訳（メタデータ） (2024-09-06T11:05:12Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Dense Optical Tracking: Connecting the Dots [82.79642869586587]
  DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。 OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:59:59Z)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• Tracking Objects as Points [83.9217787335878]
  同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。 トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。 CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
  論文  参考訳（メタデータ） (2020-04-02T17:58:40Z)

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。