Learning Spatial Distribution of Long-Term Trackers Scores

要約

長期追跡は、コンピューター ビジョンにおける注目のトピックです。
これに関連して、競合モデルが毎年発表され、主にビジュアル オブジェクト トラッキング (VOT) やオブジェクト トラッキング ベンチマーク (OTB) などの標準化されたプロトコルで測定されるパフォーマンスの一定の成長率を示しています。
フュージョントラッカー戦略は、既知の再検出問題を克服するためにここ数年適用され、重要な進歩であることが判明しました。
このアプローチに従って、この作業は、ターゲットが存在しない場合でも、結果が相互にどのように相関するかをよりよく理解するために学習フェーズを活用して、パイプラインでベースライン トラッカーとして使用される任意の数のトラッカーに融合概念を一般化することを目的としています。
モデルとデータの独立性の推測が原稿で実証され、VOT-LT2022 から学習した場合の LTB-50 データセットの再現率は 0.738、2 つのデータセットを逆にした場合は 0.619 が得られます。
どちらの場合も、結果は最先端技術との競争力が高く、リコールが表彰台の最初であることが判明しました。

要約(オリジナル)

Long-Term tracking is a hot topic in Computer Vision. In this context, competitive models are presented every year, showing a constant growth rate in performances, mainly measured in standardized protocols as Visual Object Tracking (VOT) and Object Tracking Benchmark (OTB). Fusion-trackers strategy has been applied over last few years for overcoming the known re-detection problem, turning out to be an important breakthrough. Following this approach, this work aims to generalize the fusion concept to an arbitrary number of trackers used as baseline trackers in the pipeline, leveraging a learning phase to better understand how outcomes correlate with each other, even when no target is present. A model and data independence conjecture will be evidenced in the manuscript, yielding a recall of 0.738 on LTB-50 dataset when learning from VOT-LT2022, and 0.619 by reversing the two datasets. In both cases, results are strongly competitive with state-of-the-art and recall turns out to be the first on the podium.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google