論文の概要: Learning to Track from Privileged Target Appearances

• arxiv url: http://arxiv.org/abs/2609.02471v1
• Date: Wed, 02 Sep 2026 11:43:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.265776
• Title: Learning to Track from Privileged Target Appearances
• Title（参考訳）: 原始目標出現から追跡する学習
• Authors: Xin Chen, Jiao Xu, Dong Wang, Huchuan Lu, Kede Ma,
• Abstract要約: ボトルネックを、現在のターゲット作物を正確に供給する、デプロイ不可能なオラクルと定量化する。 我々は,これらの特権的外観をデプロイ可能なトラッカーに転送する教師学生向けトレーニングフレームワークであるPrivileged Appearance Transfer for Tracking (PATT)を紹介した。 PATTは、長期追跡プロトコルと短期追跡プロトコルの両方で一貫した利得を達成する。
• 参考スコア（独自算出の注目度）: 67.80976117600649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Target templates define what a visual tracker searches for, yet the templates available at inference trade off localization certainty with appearance freshness: the initial ground-truth template is exact but becomes stale, whereas recent templates better reflect the current appearance but are cropped from uncertain predictions. We quantify this bottleneck with a non-deployable oracle that supplies an exact current-frame target crop, improving AUC on LaSOT by 15.2 percentage points. This gap reveals a training-only opportunity: frame-level ground truths provide exact current- and future-frame target crops, although such crops are unavailable at deployment. We introduce Privileged Appearance Transfer for Tracking (PATT), a teacher-student training framework that transfers these privileged appearances to a deployable tracker through multi-level representation prediction. The privileged teacher observes exact target crops from past, current, and future frames, whereas the student receives only past-frame templates and learns to predict the teacher's search representations. To avoid transferring unreliable teacher signals, PATT weights this transfer by the teacher's relative localization advantage over the student and its absolute localization accuracy. After training, the teacher, latent predictor, reliability weights, and privileged crops are removed, leaving standard student-only inference. Across seven benchmarks at two model scales, PATT achieves consistent gains under both long- and short-term tracking protocols.
• Abstract（参考訳）: ターゲットテンプレートは、ビジュアルトラッカーが何を検索するかを定義するが、推論時に利用できるテンプレートは、ローカライズを確実に排除する。 このボトルネックを、現在のターゲット作物を正確に供給する非デプロイ可能なオラクルで定量化し、LaSOT上のAUCを15.2ポイント改善する。 このギャップは、トレーニングのみの機会を明らかにしている: フレームレベルの真実は、現在および将来のターゲットの作物を正確に提供するが、そのような作物は、デプロイ時に利用できない。 教師による学習フレームワークであるPrivileged Appearance Transfer for Tracking (PATT)を導入する。 特権のある教師は過去、現在、将来のフレームからの正確なターゲット作物を観察し、学生は過去のフレームテンプレートのみを受け取り、教師の検索表現を予測することを学ぶ。 信頼できない教師信号の転送を避けるため、PATTは教師の相対的局所化優位性と絶対的位置化精度によって、この伝達を重み付けする。 訓練後、教師、潜伏予測者、信頼性の重み、特権作物が取り除かれ、標準の学生のみの推論が残される。 2つのモデルスケールでの7つのベンチマークで、PATTは長期追跡プロトコルと短期追跡プロトコルの両方で一貫したゲインを達成する。

関連論文リスト

• Distill What the Student Can See: Fisher-Projected On-Policy Distillation for Vision-Language Models [23.382646724389545]
  オンライン蒸留(OPD)は、現在の学生政策の軌跡をサンプリングし、学生と教師の次点分布のトークンレベルのばらつきを最小限にする。 本稿では,ローカルで実現可能な教師の訂正のみを蒸留するemphFisher-Projected On-Policy Distillation (FP-OPD)を提案する。
  論文  参考訳（メタデータ） (2026-08-02T14:16:14Z)
• Learning from the Future: Privileged Self-Distillation for Sequential Recommendation [51.993699802866956]
  本稿では,学習時間情報と推論時間情報とを分離するフレームワークを提案する。 Privileged Self-Distillation (PSD)は、学習時間情報を推論時間情報から分離する。 PSDは1つの段階でエンドツーエンドに最適化され、デプロイされたモデルと推論コストは変わらない。
  論文  参考訳（メタデータ） (2026-07-29T15:47:22Z)
• SAE as a Crystal Ball: Interpretable Features Predict Cross-domain Transferability of LLMs without Training [70.84726713548099]
  SAEベースのTransferability Score(STS)は、トレーニング後のTransferabilityを予測するための新しい指標である。 STSは教師付き微調整の伝達可能性を正確に予測し,実際の性能変化とともに0.7以上のピアソン相関係数を達成できることを示す。
  論文  参考訳（メタデータ） (2026-03-03T12:01:09Z)
• Towards the Mitigation of Confirmation Bias in Semi-supervised Learning: a Debiased Training Perspective [6.164100243945264]
  半教師付き学習(SSL)は、モデルが特定のクラスを不均等に好むという、一般的に確認バイアスを示す。 SSLのデバイアスドトレーニングのための統合フレームワークであるTaMatchを紹介します。 TaMatchは,様々な課題の画像分類タスクにおいて,既存の最先端手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-26T21:50:30Z)
• Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [56.48290708901531]
  本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。 本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
  論文  参考訳（メタデータ） (2023-01-29T11:53:55Z)
• Learning from Future: A Novel Self-Training Framework for Semantic Segmentation [33.66516999361252]
  自己学習は半教師あり学習において大きな可能性を秘めている。 本稿では,モデルが未来から学べる,新たな自己学習戦略を提案する。 我々は,幅広い環境下でのアプローチの有効性と優位性を実験的に実証した。
  論文  参考訳（メタデータ） (2022-09-15T01:39:46Z)
• Improving Localization for Semi-Supervised Object Detection [3.5493798890908104]
  予測された有界ボックスのフィルタリングを改善するために,有界ボックスのローカライゼーションのための追加の分類タスクを導入する。 我々のIL-netは制限付きアノテーション方式でデータセット上でSSOD性能を1.14%向上させることを示した。
  論文  参考訳（メタデータ） (2022-06-21T08:39:38Z)

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。