基于在线学习的跟踪框架
本文提出了一种新的视觉目标跟踪模型,通过知识蒸馏和强化学习训练了一个紧凑的学生模型,可以从其他跟踪器中传输和压缩跟踪知识,并利用在线学习的评估措施,建立一个快速、简单且有效的跟踪机制使得最终跟踪器与实时最先进的跟踪器具有相同的竞争力。
Jul, 2020
我们提出了两种创新的数据驱动滤波方法,通过结合可训练的运动模型进行对象位置预测,并将观察结果与对象检测器的预测相结合,以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估,证明在对象跟踪方面,尤其是非线性运动模式的情况下,我们的滤波器优于传统的 Kalman 滤波器。
Feb, 2024
本文探索一种实用的多目标跟踪方法,强调高效地为实时应用程序分配对象。在追踪组件中,使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合,同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器,跟踪精度可以提高高达 18.9%。此外,由于跟踪方法的简单性,该跟踪器的更新速率为 260 Hz,比其他最先进的跟踪器快 20 倍以上。
Feb, 2016
在存在异常值和误设测量模型的状态空间模型的在线滤波中,我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法(如扩展和集成卡尔曼滤波器)相结合,其中前者用于展示鲁棒性,后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题(如物体跟踪、高维混沌系统的状态估计和在线神经网络学习)中,我们在更低的计算成本下与其他鲁棒滤波方法(如基于变分贝叶斯的方法)相匹配或表现更好。
May, 2024
本文提出了一种可微粒子滤波器的在线学习框架,通过采用无监督损失来构建在线模型更新过程,实现随着数据的到达更新模型参数;通过在模拟设置中进行实证评估,并与监督学习方法进行比较,包括多元线性高斯状态空间模型和模拟物体跟踪实验。
Dec, 2023
该研究提出了一种基于深度强化学习方法构建的模板选择策略的实时视觉追踪算法,该算法可有效应对模型更新导致的跟踪偏移问题,可在实时速度下以 43fps 跑动。
Feb, 2017
本文提出了一种基于深度学习的新方法,用于基于视觉的单目标跟踪,该方法结合了卷积神经网络和贝叶斯损失层,提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上,该跟踪器达到了最先进的跟踪结果。
Jul, 2016
通过模型无关的机器学习框架和储水计算方法,实现对双臂机器人操纵器的跟踪控制,仅使用部分观测状态,并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。
Sep, 2023
使用逆问题和储水池计算,我们开发了一个无模型、完全数据驱动的框架,能够从部分状态观测实时准确追踪变化的参数。该框架在各种复杂的非线性动力系统中表现出强大的性能,并解决了影响追踪性能的相关问题。
Nov, 2023
本文提出了一种基于概率回归的视觉跟踪方法,用于建模不确定性和噪声,通过最小化 Kullback-Leibler 离差散度进行训练,实验结果显示这一方法在六个数据集上都取得了最佳性能表现。
Mar, 2020