論文の概要: KLTNet: Learning Sparse Feature Tracking for Robust and Accurate Monocular Visual-Inertial Odometry

• arxiv url: http://arxiv.org/abs/2608.24544v1
• Date: Tue, 25 Aug 2026 13:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.003
• Title: KLTNet: Learning Sparse Feature Tracking for Robust and Accurate Monocular Visual-Inertial Odometry
• Title（参考訳）: KLTNet:ロバストかつ高精度な視覚慣性オドメトリーのためのスパース特徴追跡学習
• Abstract要約: KLTNetは、VIOフロントエンドの古典的なKLTトラッカーを置き換えるために設計された、軽量な学習ベースのプラグアンドプレイスパース機能トラッカーである。 固定参照パッチは、各機能トラック全体で安定したアンカーを提供し、蓄積されたトラッキングドリフトを減らすのに役立つ。 VINS-Mono と OpenVINS による公開ベンチマークと自己コンパイル型低テクスチャデータセットによる実験により,従来の KLT よりも追跡精度とオドメトリの精度が向上した。
• 参考スコア（独自算出の注目度）: 15.082839828745781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many feature-based visual-inertial odometry (VIO) systems rely on sparse feature tracking, whose accuracy and robustness directly affect state estimation. Classical KLT trackers rely primarily on local image patches and can become unreliable under rapid motion or in low-texture environments. We propose KLTNet, a lightweight learning-based, plug-and-play sparse feature tracker designed to replace classical KLT trackers in KLT-based VIO front ends. KLTNet follows a coarse-to-fine, dense-to-sparse architecture that combines low-resolution dense optical flow for robust global motion initialization with triplet-patch refinement for accurate and temporally consistent tracking. A fixed reference patch provides a stable anchor throughout each feature track and helps reduce accumulated tracking drift. In addition, KLTNet predicts anisotropic confidence weights supervised through differentiable multi-view triangulation, which can be used as observation weights in compatible VIO estimators. Experiments with VINS-Mono and OpenVINS on public benchmarks and a self-collected low-texture dataset demonstrate improved tracking and odometry accuracy over classical KLT, while maintaining real-time performance on an embedded platform.
• Abstract（参考訳）: 多くの特徴ベース視覚慣性計測システム(VIO)はスパースな特徴追跡に依存しており、その精度と堅牢性は直接状態推定に影響を及ぼす。 古典的なKLTトラッカーは主にローカルイメージパッチに依存しており、高速動作や低テクスチャ環境では信頼性が低い。 我々は,KLTベースのVIOフロントエンドにおける従来のKLTトラッカーを置き換えるために設計された,軽量な学習ベースプラグアンドプレイスパース機能トラッカーであるKLTNetを提案する。 KLTNetは、低分解能の高密度光フローとロバストな大域運動初期化と、正確な時間的一貫したトラッキングのためのトリプトパッチ改善を組み合わせた粗大で高密度で高密度なスパースアーキテクチャに従う。 固定参照パッチは、各機能トラック全体で安定したアンカーを提供し、蓄積されたトラッキングドリフトを減らすのに役立つ。 さらに、KLTNetは、異なる多視点三角測量によって監督される異方性信頼度を予測し、互換性のあるVIO推定器の観測重みとして使用できる。 VINS-MonoとOpenVINSによる公開ベンチマークと自己コンパイルされた低テクスチャデータセットによる実験では、組み込みプラットフォーム上でのリアルタイムパフォーマンスを維持しながら、従来のKLTよりもトラッキングとオードメトリの精度が改善された。

関連論文リスト

• E-TraMamba: A New Paradigm for Efficient Long-Term 3D Feature Tracking with Event Cameras [31.20601020243998]
  イベントベースの3Dトラッキングは、低レイテンシと高速な知覚を可能にする。 E-TraMambaはイベントデータに基づく3D特徴追跡のための最初のMambaベースのフレームワークである。
  論文  参考訳（メタデータ） (2026-07-03T02:11:56Z)
• CoWTracker: Tracking by Warping instead of Correlation [53.834673070954494]
  ワープに有利なコストを削減できる高密度な点トラッカーを提案する。 近年の光学的流れの進展に触発されて,本手法では,現在の推定値に基づいて,対象フレームからクエリフレームへ特徴を変換することで,トラック推定を反復的に洗練する。 我々のモデルは,TAP-Vid-DAVIS,TAP-Vid-Kinetics,Robo-TAPなど,標準的な高密度点追跡ベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-04T18:58:59Z)
• K-Track: Kalman-Enhanced Tracking for Accelerating Deep Point Trackers on Edge Devices [8.929138500431433]
  ビデオシーケンスにおけるポイントトラッキングは、ロボット工学、自律システム、拡張現実、ビデオ分析など、現実世界のコンピュータビジョンアプリケーションのための機能である。 最近のディープラーニングベースのトラッカーは、挑戦的なベンチマークで最先端の精度を達成する一方で、フレーム単位の推論への依存は、リソース制約のあるエッジデバイスへのデプロイメントにおいて大きな障壁となる。 我々は、このデプロイメントギャップを埋めるために設計された汎用トラッカーに依存しないアクセラレーションフレームワークであるK-Trackを紹介する。
  論文  参考訳（メタデータ） (2025-12-11T13:26:58Z)
• 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)
• CFTrack: Enhancing Lightweight Visual Tracking through Contrastive Learning and Feature Matching [7.205438642578179]
  CFTrackは、コントラスト学習と特徴マッチングを統合して、識別的特徴表現を強化する軽量なトラッカーである。 我々はCFTrackがNVIDIA Jetson NXプラットフォーム上で毎秒136フレームで動作する、最先端の軽量トラッカーの多くを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-02-27T02:46:00Z)
• ACTrack: Adding Spatio-Temporal Condition for Visual Object Tracking [0.5371337604556311]
  視覚的物体追跡(VOT)において,物体の時間的関係を効果的にモデル化することが重要な課題である 既存の手法は外観に基づく類似性や長期関係モデリングによって追跡され、連続するフレーム間の時間的コンテキストは容易に見過ごされてしまう。 本稿では,大規模な記憶条件を持つ付加的前時間追跡フレームワークであるACTrackについて述べる。このフレームワークは,そのパラメータを凍結することにより,トレーニング済みバックボーンの品質と性能を保ち,トラッキングにおける時間関係をモデル化するためのトレーニング可能な軽量付加性ネットを作成する。 我々は空間的特徴と時間的順序の整合性を確保するための付加的なシアム畳み込みネットワークを設計する。
  論文  参考訳（メタデータ） (2024-02-27T07:34:08Z)
• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• 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)
• Self-Supervised Multi-Frame Monocular Scene Flow [61.588808225321735]
  自己監督学習に基づくマルチフレーム一眼的シーンフローネットワークを導入。 自己監督学習に基づく単眼的シーンフロー法における最新の精度を観察する。
  論文  参考訳（メタデータ） (2021-05-05T17:49:55Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)

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。