論文の概要: OmniGlimpse: Asymmetric Identity Memory for Online Multi-View Tracking

• arxiv url: http://arxiv.org/abs/2610.36785v1
• Date: Tue, 27 Oct 2026 07:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.538256
• Title: OmniGlimpse: Asymmetric Identity Memory for Online Multi-View Tracking
• Title（参考訳）: OmniGlimpse: オンラインマルチビュートラッキングのための非対称IDメモリ
• Abstract要約: マルチビュートラッキングは、単一のカメラを超えて視覚的カバレッジを拡張する。 オフラインシーン固有のトレーニングやカメラキャリブレーションなしで、異なる視点からの観察を正しいアイデンティティにマッチさせるにはどうすればいいのか? 非対称な提案検証フレームワークであるOmniGlimpseを導入する。
• 参考スコア（独自算出の注目度）: 7.326430654410106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view tracking extends visual coverage beyond a single camera, providing complementary observations when targets are occluded or leave the view. This raises a question: how can observations from different views be matched to the correct identities without offline scene-specific training or camera calibration? Progress toward this goal remains limited because many offline formulations assume such deployment-specific knowledge, while online adaptation can amplify association errors. We study this problem as online multi-view identity maintenance (OMIM): targets are initialized once per view, with no further identity labels provided after each initialization. To this end, we introduce OmniGlimpse, an asymmetric propose-verify framework that separates adaptive association from stable identity consolidation. At the representation level, short-term local and cross-view evidence is mapped into target-specific adaptive spaces to propose associations, whereas long-term identity distributions are maintained for verification in a canonical space defined by a frozen encoder. At the update level, short-term evidence may guide current associations, whereas, after bootstrapping, only verified observations may update persistent memory or drive adaptation. Under a unified target-specified evaluation protocol, OmniGlimpse improves over the best evaluated online baseline for each metric by 9.1 IDF1 and 22.1 CVIDF1 points on M3Track. The corresponding gains on MvMHAT are 20.3 and 26.2 points. Despite using no offline scene-specific training, it outperforms offline-trained references in IDF1 and remains competitive in cross-view association. These results support an approach to online identity maintenance that adapts to changing appearances while consolidating reliable evidence into stable identity anchors.
• Abstract（参考訳）: マルチビュートラッキングは、単一のカメラを越えて視覚的カバレッジを拡大し、ターゲットを外したり、ビューを離れたりする際の相補的な観察を提供する。 オフラインのシーン固有のトレーニングやカメラのキャリブレーションなしで、異なる視点からの観察を正しいアイデンティティにマッチさせるにはどうすればいいのか? 多くのオフラインの定式化がそのような展開固有の知識を前提としているのに対して、オンライン適応は関連性の誤りを増幅できるため、この目標に向けた進歩は依然として限られている。 我々は、この問題をオンラインマルチビューアイデンティティメンテナンス(OMIM: Online Multi-view Identity maintenance)として検討し、ターゲットはビュー毎に1回初期化され、各初期化後に追加のIDラベルが提供されることはない。 この目的のために,非対称な提案検証フレームワークであるOmniGlimpseを導入する。 表現レベルでは、短期的局所的および横断的なエビデンスを目標固有適応空間にマッピングして関連性を提案する一方で、凍結エンコーダによって定義された標準空間での検証のために長期的アイデンティティ分布を維持する。 更新レベルでは、短期的なエビデンスによって現在の関連が導かれるが、ブートストラップ後、検証された観察のみが永続的な記憶を更新したり、ドライブ適応を行うことができる。 OmniGlimpseは、統一された目標指定評価プロトコルの下で、M3Track上の9.1 IDF1と22.1 CVIDF1ポイントで評価された各メトリックのオンラインベースラインを改善する。 MvMHATの利得は20.3点と26.2点である。 オフラインシーン固有のトレーニングは使用していないが、IDF1のオフライントレーニング参照よりも優れており、クロスビューアソシエーションでは競争力がある。 これらの結果は、信頼性の高い証拠を安定したアイデンティティアンカーに統合しながら、外観の変化に適応するオンラインアイデンティティメンテナンスへのアプローチを支援する。

関連論文リスト

• Cross-Visibility-Gap Identity Persistence for 4D Scene Graphs [19.66956549251986]
  4Dシーングラフは、不透明なキャリア内でオブジェクトが消えて、後に新しい検出として再現れるとき、永続的なオブジェクト識別を必要とする。 我々は、記憶されたターゲット-キャリア結合を通して、履歴ノードの回復として、視認性とギャップのパーシステンスを定式化する。 CVG-SGMのリリンク精度は1.000で、メモリレスとパラメータカウント対応のノーライトコントロールは0.570である。
  論文  参考訳（メタデータ） (2026-10-20T02:20:34Z)
• ReferTrack: Referring Then Tracking for Embodied Visual Tracking [13.368122578638847]
  Embodied visual tracking (EVT) は、自然言語で記述された特定のターゲットを連続的に追従する移動体エージェントを必要とする。 ReferTrackは、1台の前方カメラでEVTをグラウンド化する参照then追跡パラダイムである。 このモデルでは、まずインデックス付き境界ボックスからターゲットを選択し、次に、この画像グラウンド決定で条件付けられた追跡経路をデコードする。
  論文  参考訳（メタデータ） (2026-07-22T12:05:13Z)
• Mind the Gap: Disentangling Performance Bottlenecks in Video Instance Segmentation [0.34410212782758043]
  ビデオインスタンス(VIS)分類、セグメンテーション、追跡目的を共同で評価する。 アルゴリズム線形プログラム(ILP)としてのアイデンティティとクラス割り当てを定式化する診断フレームワークを導入する。 TrackLensも導入しています。これはスケールを観測可能なクエリレベルの障害モードに変換するビジュアルツールです。
  論文  参考訳（メタデータ） (2026-06-05T15:32:48Z)
• Advancing Narrative Long Video Generation via Training-Free Identity-Aware Memory [79.01059178883817]
  IAMFlowはトレーニング不要のID対応メモリフレームワークで、永続的なエンティティのIDを明示的にモデル化し追跡する。 VLMは、レンダリングフレームから属性を非同期に検証し、洗練し、暗黙の類似性ベースのマッチングの代わりに明示的なエンティティ追跡を可能にする。 NarraStream-Benchは,6次元にまたがる324のマルチプロンプトスクリプトを備えた,ナラストリームビデオ生成のためのベンチマークである。
  論文  参考訳（メタデータ） (2026-05-18T17:54:34Z)
• View-Aware Semantic Alignment for Aerial-Ground Person Re-Identification [43.69772242567068]
  ViSAは、ビュー間のセマンティック一貫性を実現するビュー対応フレームワークである。 ViSAは、挑戦的なCARGOクロスビュープロトコルにおいて、注目すべき10.06%のmAP改善とともに、一貫して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-05-18T10:32:26Z)
• ModTrack: Sensor-Agnostic Multi-View Tracking via Identity-Informed PHD Filtering with Covariance Propagation [1.0314567485992163]
  MV-MOT(Multi-View Multi-Object Tracking)は、複数のセンサで観測されるオブジェクトの一貫したアイデンティティをローカライズし、維持することを目的としている。 最近のエンドツーエンドアプローチでは、2D Birdのアイビュー表現とアイデンティティアソシエーションを共同で学習し、高いトラッキング精度を実現することでこの問題に対処している。 本稿では,モジュール型MV-MOTシステムであるModTrackを提案する。
  論文  参考訳（メタデータ） (2026-03-16T18:43:10Z)
• Self-Supervised Multi-Object Tracking For Autonomous Driving From Consistency Across Timescales [53.55369862746357]
  自己管理型マルチオブジェクトトラッカーは、生のドメイン固有データから学習できるという大きな可能性を秘めている。 しかし、その再識別精度は、監督対象よりも低い。 本稿では,複数の連続フレームから再同定特徴を自己教師付きで学習できる学習目標を提案する。
  論文  参考訳（メタデータ） (2023-04-25T20:47:29Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)

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。