論文の概要: Efficient Language-to-Vision Feature Injection for Referring Single-Object Tracking

• arxiv url: http://arxiv.org/abs/2608.29126v1
• Date: Sat, 29 Aug 2026 08:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.856675
• Title: Efficient Language-to-Vision Feature Injection for Referring Single-Object Tracking
• Title（参考訳）: 単一物体追跡の参照のための効率的な言語間特徴注入法
• Abstract要約: LVTrackは、テキストガイダンスを適応的に制御するモード条件付きGated Featureを導入した純粋なトランスフォーマーフレームワークである。 凍結した視覚言語事前学習モデルを直接利用し、トレーニングコストを大幅に削減し、強力な言語理解を維持する。 時間的ローカライゼーションをさらに改善するため、LVTrackは、ハイブリッド相対絶対位置符号化と軽量メモリ機構を統合している。
• 参考スコア（独自算出の注目度）: 21.780462979089886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Referring single-object tracking enables language-grounded target initialization and subsequent tracking by jointly leveraging semantic cues and visual templates. The core difficulty is to use language differently across stages: it is indispensable for grounding but can induce semantic drift during tracking when overemphasized. Meanwhile, current methods often require costly vision-language alignment training. We present LVTrack, a pure transformer framework that introduces a mode-conditioned Gated Feature Injector to adaptively regulate textual guidance and alleviate semantic drift. Together with targeted adaptations, it directly harnesses a frozen vision-language pretrained model, greatly reducing training cost and preserving strong language understanding. To further improve temporal localization, LVTrack integrates hybrid relative-absolute positional encodings with a lightweight memory mechanism and optimizes autoregressive box prediction using a Gaussian-smoothed KL loss. Extensive experiments on standard benchmarks demonstrate that LVTrack achieves strong performance.
• Abstract（参考訳）: 単一オブジェクト追跡の参照により、セマンティックキューとビジュアルテンプレートを併用することで、言語によるターゲットの初期化とその後の追跡が可能になる。 基盤化には不可欠だが、過度に強調された場合、トラッキング中にセマンティックドリフトを誘発することができる。 一方、現在の手法は、しばしば高価な視覚言語アライメントトレーニングを必要とする。 モード条件付きGated Feature Injectorを導入し,テキストガイダンスを適応的に制御し,セマンティックドリフトを緩和する,純粋なトランスフォーマフレームワークであるLVTrackを提案する。 目標とする適応と合わせて、凍結した視覚言語事前訓練モデルを直接活用し、トレーニングコストを大幅に削減し、言語理解の強化を図る。 時間的ローカライゼーションをさらに改善するため、LVTrackはハイブリッド相対絶対位置符号化と軽量メモリ機構を統合し、ガウス平滑なKL損失を用いた自動回帰ボックス予測を最適化する。 標準ベンチマークでの大規模な実験は、LVTrackが強力なパフォーマンスを達成することを示す。

関連論文リスト

• Dynamic Parsing and Updating Natural Language Specification using VLMs for Robust Vision-Language Tracking [61.91472604294714]
  トラッキング主成分を抽出する新しい言語依存解析機構を提案する。 我々は、事前学習された視覚言語モデルQwen-VLの強力なクロスモーダル理解能力を利用する。 本手法は,複数の大規模視覚言語追跡ベンチマークにおいて,一貫した,より優れたトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2026-06-28T12:12:18Z)
• USS: Unified Spatial-Semantic Prompts for Embodied Visual Tracking with Latent Dynamics Learning [18.003030497082623]
  Embodied Visual Tracking (EVT)では、エージェントが動的環境を積極的に移動しながら、指定されたターゲットを継続的に追跡する必要がある。 本稿では,EVTにおける目標指示をテキストのみの仕様から統一的な空間意味的プロンプトへと緩和するパラダイムシフトを提案する。 潜時ダイナミクス学習を用いた身体的視覚追跡のための統一空間意味プロンプトを提案する。
  論文  参考訳（メタデータ） (2026-06-24T14:25:05Z)
• SCRIPT: Scalable Diffusion Policy with Multi-stage Training for Language-driven Physics-based Humanoid Control [72.5651722107621]
  SCRIPTは、言語駆動の物理に基づくヒューマノイド制御のための多段階トレーニングフレームワークを備えたスケーラブルな拡散ポリシーである。 SCRIPTの中核はJAST-DiT(Joint Action-State-Text Diffusion Transformer)であり、アクション、物理状態、テキストを専用トークンストリームとして表現している。 自己回帰制御を安定させるために,近年の密集した文脈を保存し,長期的歴史から疎開したサンプルを抽出する非線形履歴条件付け機構を導入する。
  論文  参考訳（メタデータ） (2026-05-21T14:17:21Z)
• RELO: Reinforcement Learning to Localize for Visual Object Tracking [70.27265738642956]
  視覚的物体追跡のためのReinforcement-learning-to-LOcalize法であるRELOを紹介する。 RELOは、手作りの空間先行を空間的位置から学習した局所化ポリシーに置き換える。 我々は、RELOがテンプレート更新なしでLaSOText上で57.5%のAUCを達成することを示す。
  論文  参考訳（メタデータ） (2026-05-08T07:34:29Z)
• VPTracker: Global Vision-Language Tracking via Visual Prompt and MLLM [45.56517073754981]
  Vision-Language Trackingは、ビジュアルテンプレートと言語記述によって記述されたオブジェクトを継続的にローカライズすることを目的としている。 しかし、既存の手法は通常、局所的な探索に限られており、視点の変化の下で失敗する傾向がある。 我々は,多モーダル大言語モデル(VPTracker)に基づく最初のグローバルな追跡フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-28T06:12:28Z)
• ATCTrack: Aligning Target-Context Cues with Dynamic Target States for Robust Vision-Language Tracking [0.6143225301480709]
  視覚言語追跡は、初期フレームに提供されるテンプレートパッチと言語記述を用いて、ビデオシーケンス内の対象物を特定することを目的としている。 ロバストなトラッキングを実現するためには、ターゲットの特徴を特徴付けるだけでなく、ターゲットに関連するコンテキストの特徴を活用することが不可欠である。 動的ターゲット状態に適応したマルチモーダルキューが得られるATCTrackという新しいトラッカーを提案する。
  論文  参考訳（メタデータ） (2025-07-26T09:05:12Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• Beyond Visual Cues: Synchronously Exploring Target-Centric Semantics for Vision-Language Tracking [3.416427651955299]
  単一のオブジェクトトラッキングは、最初の状態から、ビデオシーケンス内の特定のターゲットを見つけることを目的としている。ビジョンランゲージ(VL)トラッキングは、有望なアプローチとして登場した。 本稿では,VL追跡のためのターゲット中心のセマンティクスを徐々に探求する新しいトラッカーを提案する。
  論文  参考訳（メタデータ） (2023-11-28T02:28:12Z)
• Expedited Training of Visual Conditioned Language Generation via Redundancy Reduction [61.16125290912494]
  $textEVL_textGen$は、視覚条件付き言語生成モデルの事前トレーニング用に設計されたフレームワークである。 提案手法は,視覚言語モデルの学習を5倍に加速させるが,全体的な性能に顕著な影響を与えないことを示す。
  論文  参考訳（メタデータ） (2023-10-05T03:40:06Z)
• Towards Unified Token Learning for Vision-Language Tracking [65.96561538356315]
  本稿では,VL追跡をトークン生成タスクとして用いた「textbfMMTrack」という,視覚言語(VL)追跡パイプラインを提案する。 提案フレームワークは,言語記述と境界ボックスを離散トークン列にシリアライズする。 この新しい設計パラダイムでは、全てのトークンクエリが望ましいターゲットを認識し、ターゲットの空間座標を直接予測するために必要となる。
  論文  参考訳（メタデータ） (2023-08-27T13:17:34Z)

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。