MétaCan
Menu
Retour à la cohorte
Enregistrement W2130026429 · doi:10.1109/iccvw.2015.79

The Visual Object Tracking VOT2015 Challenge Results

2015· preprint· en· W2130026429 sur OpenAlexaff
Matej Kristan, Jiřı́ Matas, Aleš Leonardis, Michael Felsberg, Gustavo J. Fernández, Tomáš Vojíř, G Hager, Georg Nebehay, Roman Pflugfelder, Abhinav Gupta, Adel Bibi, Alan Lukežič, Álvaro García‐Martín, Amir Saffari, Alfredo Petrosino, Andrés Solís Montero

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueVideo Surveillance and Tracking Methods
Établissements canadiensWilfrid Laurier UniversityUniversity of Ottawa
Organismes subventionnairesJavna Agencija za Raziskovalno Dejavnost RSEuropean Commission
Mots-clésBitTorrent trackerComputer scienceBenchmark (surveying)Artificial intelligenceEye trackingObject (grammar)Computer visionVideo trackingFrame (networking)Tracking (education)Bounding overwatchTerm (time)AnnotationVisualizationMinimum bounding boxObject detectionPattern recognition (psychology)Image (mathematics)Geography

Résumé

récupéré en direct d'OpenAlex

The Visual Object Tracking challenge 2015, VOT2015, aims at comparing short-term single-object visual trackers that do not apply pre-learned models of object appearance. Results of 62 trackers are presented. The number of tested trackers makes VOT 2015 the largest benchmark on short-term tracking to date. For each participating tracker, a short description is provided in the appendix. Features of the VOT2015 challenge that go beyond its VOT2014 predecessor are: (i) a new VOT2015 dataset twice as large as in VOT2014 with full annotation of targets by rotated bounding boxes and per-frame attribute, (ii) extensions of the VOT2014 evaluation methodology by introduction of a new performance measure. The dataset, the evaluation kit as well as the results are publicly available at the challenge website.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,024
Méta-épidémiologie (sens strict)0,0060,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0040,003
Études des sciences et des technologies0,0020,001
Communication savante0,0050,004
Science ouverte0,0040,005
Intégrité de la recherche0,0050,003
Charge utile insuffisante (le modèle a refusé de juger)0,0140,015

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,095
Tête enseignante GPT0,370
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations705
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVideo Surveillance and Tracking MethodsTravaux en français237 207