{Yihong Gong Dahu Shi Yongchao Zheng Yifan Bai Xing Wei}
الملخص
نقدّم ARTrack، وهي إطار عمل ذاتي-انسحابي (autoregressive) لتتبع الأجسام المرئية. يعالج ARTrack التتبع كمهمة تفسير تسلسل الإحداثيات، حيث يتم تقدير مسارات الأجسام تدريجيًا، بحيث يُستمد التقدير الحالي من الحالات السابقة، ويؤثر بدوره على التسلسلات اللاحقة. يُعد هذا النهج الزمني-الذاتي-الانسحابي نموذجًا لتطور التسلسلات الزمنية للمسارات، مما يُمكّن من متابعة الجسم عبر الإطارات، مما يجعله متفوقًا على المُتتبعات القائمة على مطابقة النماذج (template matching) التي تأخذ بعين الاعتبار فقط دقة التحديد في كل إطار بشكل منفصل. يتميز ARTrack بالبساطة والوضوح، حيث يُزيل الحاجة إلى رؤوس تحديد مخصصة أو معالجات ما بعد التصنيف. وبالرغم من بساطته، يحقق ARTrack أداءً يُعد من أفضل الأداءات على مجموعات بيانات المعايير الشائعة.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| video-object-tracking-on-nv-vot211 | ARTrack-L | AUC: 35.92 Precision: 51.64 |
| visual-object-tracking-on-got-10k | ARTrack-L | Average Overlap: 78.5 Success Rate 0.5: 87.4 Success Rate 0.75: 77.8 |
| visual-object-tracking-on-lasot | ARTrack-L | AUC: 73.1 Normalized Precision: 82.2 Precision: 80.3 |
| visual-object-tracking-on-lasot-ext | ARTrack-L | AUC: 52.8 Normalized Precision: 62.9 Precision: 59.7 |
| visual-object-tracking-on-tnl2k | ARTrack-L | AUC: 60.3 |
| visual-object-tracking-on-trackingnet | ARTrack-L | Accuracy: 85.6 Normalized Precision: 89.6 Precision: 86.0 |
| visual-object-tracking-on-uav123 | ARTrack-L | AUC: 0.712 |
| visual-tracking-on-tnl2k | ARTrack-L | AUC: 60.3 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.