論文の概要: Revisiting Multi-Object Tracking Baselines: Hyperparameter Optimization with Multi-Fidelity Greedy Coordinate Search
- arxiv url: http://arxiv.org/abs/2609.12261v1
- Date: Thu, 10 Sep 2026 22:36:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.560089
- Title: Revisiting Multi-Object Tracking Baselines: Hyperparameter Optimization with Multi-Fidelity Greedy Coordinate Search
- Title（参考訳）: マルチオブジェクト追跡ベースラインの再検討:マルチフィデリティグレディ座標探索によるハイパーパラメータ最適化
- Abstract要約: マルチオブジェクトトラッキング(MOT)は、トラッキング・バイ・検出パラダイムによって支配されている。
HPOはMOTではほとんど使われず、HPOをMOTに適用した既存の研究は、現代のディープ検出器ベースのトラッカーとHOTAの評価に先行している。
2つのデータセットと4つのトラッキング・バイ・検出手法にHPOを適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-object tracking (MOT) is dominated by the tracking-by-detection paradigm, whose methods typically rely on a small set of hyperparameters that are conventionally chosen by hand. Tuning them requires repeated expert-guided experimentation, while the procedures used to select reported values are often not systematically evaluated or fully documented. Hyperparameter optimization (HPO) automates this process, yet it remains rarely used in MOT, and existing studies applying HPO to MOT predate modern deep-detector-based trackers and HOTA evaluation. We systematically apply HPO across two datasets and four tracking-by-detection methods. We also propose Multi-Fidelity Greedy Coordinate Search (MFGCS), which optimizes one hyperparameter at a time by first evaluating candidate values on a small subset of scenes and re-evaluating only promising candidates on the full dataset. Across all eight tracker-dataset combinations, the Tree-structured Parzen Estimator (TPE) and MFGCS outperform both our hand-tuned configurations and the corresponding published results, with improvements of up to 4.38 and 16.05 HOTA points, respectively. MFGCS also reaches a predefined HOTA target faster than TPE in seven of the eight combinations. Within each tracker-dataset pair, all optimizers share the same search space and evaluation pipeline, isolating the effect of the search strategy. We release the code and tuned configurations to enable future work to compare against systematically optimized rather than default or manually tuned baselines.
- Abstract（参考訳）: マルチオブジェクト追跡(MOT)は、通常、手動で選択される小さなハイパーパラメータセットに依存する、トラッキング・バイ・検出のパラダイムによって支配される。
これらをチューニングするには、専門家が指導する実験を繰り返し行う必要があるが、報告された値を選択する手順は、しばしば体系的に評価されないか、完全に文書化されていない。
ハイパーパラメータ最適化(HPO)はこのプロセスを自動化するが、MOTではほとんど使われていない。
我々は2つのデータセットと4つのトラッキング・バイ・検出手法にHPOを体系的に適用する。
また,MFGCS (Multi-Fidelity Greedy Coordinate Search) を提案する。このMFGCSは,シーンの小さなサブセットの候補値を最初に評価し,全データセット上で期待できる候補のみを再評価することにより,一度に1つのハイパーパラメータを最適化する。
TPE(Tree-structured Parzen Estimator)とMFGCS(MFGCS)の合計8つのトラッカー・データセットの組み合わせは、それぞれ4.38点と16.05 HOTA点に改善された。
また、MFGCSは8つの組み合わせのうち7つにおいて、TPEよりも高速に予め定義されたHOTA目標に達する。
各トラッカーとデータセットのペアの中で、全てのオプティマイザは同じ検索スペースと評価パイプラインを共有し、検索戦略の効果を分離する。
コードとチューニングされた設定を公開して、デフォルトや手動でチューニングされたベースラインではなく、体系的に最適化されたコードと比較できるようにします。
関連論文リスト
- LLM-Guided ANN Index Optimization for Human-Object Interaction Retrieval [10.896685094390136]
ビジュアル検索、レコメンデーションエンジン、マルチモーダル質問応答など、現代のAIアプリケーションを支えるマルチステージ検索システム。
本稿では,この制限を相認識型大規模言語モデル (LLM) エージェントを用いて解決する。
論文 参考訳（メタデータ） (2026-06-03T22:28:34Z) - optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。
LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
論文 参考訳（メタデータ） (2026-05-19T10:18:12Z) - Self-Tuning Sparse Attention: Multi-Fidelity Hyperparameter Optimization for Transformer Acceleration [0.0]
AFBS-BOは、人間の介入なしに最適な層と頭固有のハイパーパラメータを発見する、完全に自動化されたフレームワークである。
Llama-2-7Bでは、AFBS-BOはハイパーパラメータ発見を3.4倍加速し、グリッドサーチよりも8.8倍少ない評価を行う。
手動で調整されたプリミティブから自己最適化プリミティブに変換することで、AFBS-BOは様々なトランスフォーマーアーキテクチャやドメイン間のプラグアンドプレイアクセラレーションを可能にする。
論文 参考訳（メタデータ） (2026-03-19T02:24:38Z) - Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。
ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
論文 参考訳（メタデータ） (2026-02-16T13:53:23Z) - carps: A Framework for Comparing N Hyperparameter Optimizers on M Benchmarks [61.79411281702448]
carpsはComprehensive Automated Research Performance Studiesのベンチマークフレームワークである。
我々は、ブラックボックス、マルチオブジェクト、マルチオブジェクト、マルチオブジェクトの4つの重要なタイプのHPOタスクに焦点をあてる。
5つのコミュニティベンチマークコレクションから336のタスクと28種類の9つのファミリーで、私たちはこれまでで最大のGotoライブラリを提供しています。
論文 参考訳（メタデータ） (2025-06-06T15:01:39Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - HyperTuner: A Cross-Layer Multi-Objective Hyperparameter Auto-Tuning
Framework for Data Analytic Services [25.889791254011794]
クロス層多目的ハイパーパラメータ自動チューニングを実現するHyperTunerを提案する。
他の4つのベースラインアルゴリズムと比較して,HyperTunerは収束性と多様性の両面で優れていることを示す。
異なるトレーニングデータセット、異なる最適化目標、異なる機械学習プラットフォームによる実験は、HyperTunerがさまざまなデータ分析サービスシナリオに適切に適応できることを検証する。
論文 参考訳（メタデータ） (2023-04-20T02:19:10Z) - AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient
Hyper-parameter Tuning [72.54359545547904]
ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。
ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
論文 参考訳（メタデータ） (2022-03-15T19:25:01Z) - Adaptive Affinity for Associations in Multi-Target Multi-Camera Tracking [53.668757725179056]
本稿では,MTMCTにおけるアフィニティ推定を対応する対応範囲に適応させるための,単純かつ効果的な手法を提案する。
すべての外見の変化に対処する代わりに、データアソシエーション中に出現する可能性のあるものに特化したアフィニティメトリックを調整します。
ミスマッチを最小限に抑えるため、アダプティブアフィニティモジュールはグローバルなre-ID距離を大幅に改善する。
論文 参考訳（メタデータ） (2021-12-14T18:59:11Z) - DHA: End-to-End Joint Optimization of Data Augmentation Policy,
Hyper-parameter and Architecture [81.82173855071312]
本稿では,AutoMLコンポーネントを統合したエンドツーエンドソリューションを提案する。
Dhaは、様々なデータセット、特にセルベースの検索空間を持つImageNetの77.4%の精度で、最先端(SOTA)結果を達成する。
論文 参考訳（メタデータ） (2021-09-13T08:12:50Z)
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。