文献

J-GLOBAL ID：201902223906153075   整理番号：19A2343531

ラベル平滑化損失正則化による敵対的非ラベル化インスタンス生成に基づくロバストな視覚追跡【JST・京大機械翻訳】

Robust Visual Tracking based on Adversarial Unlabeled Instance Generation with Label Smoothing Loss Regularization

著者 (6件)： Han Yamin (School of Computer Science, Northwestern Polytechnical University, PR China) ,  Zhang Peng (School of Computer Science, Northwestern Polytechnical University, PR China) ,  Huang Wei (School of Information Engineering, Nanchang University, PR China) ,  Zha Yufei (School of Computer Science, Northwestern Polytechnical University, PR China) ,  Cooper Garth Douglas (School of Computer Science, Northwestern Polytechnical University, PR China) ,  Zhang Yanning (School of Computer Science, Northwestern Polytechnical University, PR China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 97  ページ： Null  発行年： 2020年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 最近の研究は,深いニューラルネットワークが新しい高さに対して視覚追跡精度を押し上げることを示しているが,動的前景と背景変化のために,よりロバストな長期追跡を見出すことは依然として困難である。この現象はオンライン訓練サンプル生成により全体性能に影響する。高密度サンプリング戦略はその利便性に広く使われており,外観変化はその高度に空間的な重複機構により厳しく制限されている。分類スコア計量によるサンプル候補評価は,全体のプロセスを通して必ずしも信頼できないので,追跡失敗は避けられない。効果的な解決策として,本論文では,大量のサンプルレベルのGANサンプルを生成することにより,訓練データを豊かにするための新しいサンプルレベルの生成敵ネットワーク(GAN)を提案した。これらのサンプルは実生活シナリオと類似しているだけでなく,ある程度の変形と運動ぼけのより多くの多様性を運ぶことができた。オクルージョン不変性のために,特徴レベルのGANを組み込んで,深い特徴空間にランダムなオクルージョンマスクを生成することにより,より挑戦的な特徴レベルのGANデータを生成した。オンライン学習プロセスを容易にするために,ラベル平滑化損失正則化を導入して,ラベル付けされたGAN生成訓練データを現実的にラベル付けされたものと統合することによって,モデル正則化と過剰適合低減を達成した。さらに,信頼できる訓練データで保存的に訓練された再検出相関フィルタを用いて,信頼できるモデル更新を実行し,重い劣化を避けるために分類スコア計量を統合した。さらに,トラッキング故障を扱うための候補領域の提案に関する再検出相関フィルタも実行した。提案した追跡装置は,OTB-2013,OTB-100,UAV123,UAV20L,およびVOT2016ベンチマークデータセットに関する他の最先端の追跡手法と比較して優れた性能を示した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： オクルージョン ,  *正則化 ,  ネットワーク ,  故障 ,  *平滑化 ,  *ロバスト性 ,  ニューラルネットワーク
準シソーラス用語： 相関フィルタ ,  オンライン学習 ,  訓練データ ,  スコア ,  利便性 ,  前景 ,  *ビジュアルトラッキング ,  *敵意 , 【Automatic Indexing@JST】

著者キーワード (5件)： 視覚追跡 ,  サンプルレベル生成的敵対ネットワーク ,  特徴レベル生成的敵対ネットワーク ,  ラベル平滑化損失正則化 ,  再検出相関フィルタ

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (8件)： ラベル ,  平滑化 ,  損失 ,  正則化 ,  敵対 ,  インスタンス ,  ロバスト ,  視覚追跡