論文の概要: P-SRM: Selective Recovery of Rejected Predictions in Visual Tracking

• arxiv url: http://arxiv.org/abs/2609.39832v1
• Date: Wed, 30 Sep 2026 14:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.891669
• Title: P-SRM: Selective Recovery of Rejected Predictions in Visual Tracking
• Title（参考訳）: P-SRM:視覚追跡における拒絶予測の選択的回復
• Abstract要約: P-SRM (Post-rejection Selective Recovery Method) を提案する。 P-SRMを6つのトラッカーと4つのデータセットで評価した。 その結果, 退行後検証は, 自然拒絶によって捨てられた有用な予測を識別し, 回収できることがわかった。
• 参考スコア（独自算出の注目度）: 6.196176638909556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many visual tracking methods use rejection mechanisms to suppress unreliable predictions. However, these mechanisms can also reject correctly localized candidates, leaving useful information unused. We investigate how to identify and recover these candidates while preserving native accepted outputs and candidate coordinates. To this end, we propose P-SRM (Post-rejection Selective Recovery Method), which combines spatial responses, past accepted states, and native decision margins to reassess candidates and selectively restore reliable predictions. We evaluate P-SRM on six trackers and four datasets spanning category-specific, point, and generic object tracking. Across all nine configurations, P-SRM improves rejected-candidate ranking and overall tracking performance. These results show that post-rejection verification can identify and recover useful predictions discarded by native rejection, demonstrating the value of reusing rejected information. Project repository: https://github.com/PalestyHR/P-SRM.
• Abstract（参考訳）: 多くの視覚的追跡法は、信頼できない予測を抑えるために拒絶機構を使用する。 しかし、これらのメカニズムは正確な局所化候補を拒絶し、有用な情報を未使用のまま残すこともできる。 そこで本研究では,これらの候補の同定と回収方法について検討する。 そこで本稿では,P-SRM(Post-rejection Selective Recovery Method)を提案する。空間応答,過去の受理状態,ネイティブ決定マージンを組み合わせて候補を再評価し,信頼性のある予測を選択的に復元する。 P-SRMを6つのトラッカーと4つのデータセットで評価した。 9つの構成全体にわたって、P-SRMは拒否候補ランキングと全体的なトラッキング性能を改善している。 これらの結果から, 拒絶後の検証は, 否定された情報の再利用価値を実証し, 自然拒絶によって捨てられた有用な予測を識別し, 回収できることが示唆された。 プロジェクトリポジトリ:https://github.com/PalestyHR/P-SRM

関連論文リスト

• Recommendation World Models for Future-State Control [53.191633845200876]
  我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。 UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。 本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
  論文  参考訳（メタデータ） (2026-09-25T02:37:48Z)
• Client-Side Probing of Deleted Ridge Statistics in Federated Unlearning [8.170162585703787]
  Federated Unlearningは、共有モデルからクライアントのデータを取り除き、スクラッチからリトレーニングすることを目的としている。 いくつかの効率的なシステムは、訓練機能のコンパクトで付加的な要約を格納することで、削除を正確にする。 これらの放送は、隠れた要約を明らかにすることもできる。
  論文  参考訳（メタデータ） (2026-09-03T20:59:09Z)
• ResiSpec: Enhancing Multi-Candidate Speculative Sampling via Residual Distribution Shaping [79.1905186547363]
  ResiSpecは、検証中に提案の配布を戦略的に改革するフレームワークである。 候補の偏光を防止し、最先端のマルチ候補法よりも最大1.92$times$スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-08-25T11:25:55Z)
• MMAgent-R$^2$: Learning to Rerank and Reject for Agentic mRAG [50.46218163777298]
  知識に基づくビジュアル質問回答 (KB-VQA) では、大規模百科事典の知識ベースからクエリ画像と一致する視覚エンティティを検索し、関連する質問に答える必要がある。 MMAgent-R$2$は、視覚的リランク化と能動的拒絶を内部検証機構として統合したエージェントmRAGフレームワークである。
  論文  参考訳（メタデータ） (2026-07-08T13:15:39Z)
• Off-Policy Evaluation for Missingness-Aware Policies in MDPs with Rewards Missing Not at Random [3.3867417468597574]
  オフラインの強化学習では、ログ化されたバッチデータの即時報酬は、スパースや不規則なレコード保持のため、しばしば無視される。 この問題は、医療やマーケティングなど、実践的な設定で発生する。 報酬依存確率モデルを定式化し、将来の状態を影変数として使用し、全データ条件の平均報酬を同定する。
  論文  参考訳（メタデータ） (2026-06-18T13:19:43Z)
• Unintentional Unalignment: Likelihood Displacement in Direct Preference Optimization [60.176008034221404]
  直接選好最適化(DPO)とその変種は、言語モデルと人間の選好の整合にますます利用されている。 以前の研究では、トレーニング中に好まれる反応の可能性が減少する傾向が見られた。 確率変位は破滅的になりうることを示し、確率質量を好ましくない反応から反対の意味の反応へとシフトさせる。
  論文  参考訳（メタデータ） (2024-10-11T14:22:44Z)
• Stratified Adversarial Robustness with Rejection [33.72077702550626]
  本研究は, 階層化拒絶条件において, 否定を伴う逆ロバスト分類について検討する。 我々は,一貫性予測に基づくリジェクション(CPR)を用いた対人訓練という新しい防衛手法を提案する。 CPRは、アダプティブアタックによって既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-05-02T01:04:29Z)
• Regression with reject option and application to kNN [0.0]
  我々は、このフレームワークをrejectオプションによる回帰として、rejectオプションによる分類の拡張として参照する。 2つのデータセットを含む最適規則を半教師付きで推定する手法を提案する。 その結果、リジェクションオプションを持つ予測器は、リスクとリジェクションレートの両方の観点から、リジェクションオプションを持つ最適予測器とほぼ同等であることが示された。
  論文  参考訳（メタデータ） (2020-06-30T08:20:57Z)

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。