Synthetic Data Generation for End-to-End Thermal Infrared Tracking

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:liu-153489" > Synthetic Data Gene...

1 av 1
Föregående post
Nästa post
Till träfflistan

Zhang, LichaoUniv Autonoma Barcelona, Spain (författare)

Synthetic Data Generation for End-to-End Thermal Infrared Tracking

Artikel/kapitelEngelska2019

Förlag, utgivningsår, omfång ...

IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC,2019
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:liu-153489
https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-153489URI
https://doi.org/10.1109/TIP.2018.2879249DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

Funding Agencies|CIIISTERA Project M2CR of the Spanish Ministry [PCIN-2015-251, TIN2016-79717-R]; ACCIO Agency; CERCA Programme/Generalitat de Catalunya; CENIIT [18.14]; VR Starting Grant [2016-05543]
The usage of both off-the-shelf and end-to-end trained deep networks have significantly improved the performance of visual tracking on RGB videos. However, the lack of large labeled datasets hampers the usage of convolutional neural networks for tracking in thermal infrared (TIR) images. Therefore, most state-of-the-art methods on tracking for TIR data are still based on handcrafted features. To address this problem, we propose to use image-to-image translation models. These models allow us to translate the abundantly available labeled RGB data to synthetic TIR data. We explore both the usage of paired and unpaired image translation models for this purpose. These methods provide us with a large labeled dataset of synthetic TIR sequences, on which we can train end-to-end optimal features for tracking. To the best of our knowledge, we are the first to train end-to-end features for TIR tracking. We perform extensive experiments on the VOT-TIR2017 dataset. We show that a network trained on a large dataset of synthetic TIR data obtains better performance than one trained on the available real TIR data. Combining both data sources leads to further improvement. In addition, when we combine the network with motion features, we outperform the state of the art with a relative gain of over 10%, clearly showing the efficiency of using synthetic data to train end-to-end TIR trackers.

Ämnesord och genrebeteckningar

NATURVETENSKAP Data- och informationsvetenskap Datorseende och robotik hsv//swe
NATURAL SCIENCES Computer and Information Sciences Computer Vision and Robotics hsv//eng
Visual tracking; thermal infrared; deep learning; generative networks

Biuppslag (personer, institutioner, konferenser, titlar ...)

Gonzalez-Garcia, AbelUniv Autonoma Barcelona, Spain (författare)
van de Weijer, JoostUniv Autonoma Barcelona, Spain (författare)
Danelljan, MartinLinköpings universitet,Datorseende,Tekniska fakulteten(Swepub:liu)marda26 (författare)
Khan, FahadLinköpings universitet,Datorseende,Tekniska fakulteten,Incept Inst Artificial Intelligence, U Arab Emirates(Swepub:liu)fahkh30 (författare)
Univ Autonoma Barcelona, SpainDatorseende (creator_code:org_t)

Sammanhörande titlar

Ingår i:IEEE Transactions on Image Processing: IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC28:4, s. 1837-18501057-71491941-0042

Internetlänk

Hitta via bibliotek

IEEE Transactions on Image Processing (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Zhang, Lichao; Gonzalez-Garcia, ...; van de Weijer, J ...; Danelljan, Marti ...; Khan, Fahad

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datorseende och ...

Artiklar i publikationen: IEEE Transaction ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se