视觉目标跟踪中的外观模型调查
本研究提出了一种解决视频跟踪问题的通用方法 UniTrack,其包含单一的面部模型和多个任务特定的解决方案,可以通过监督学习或自监督学习进行训练,可以在大多数跟踪任务中获得与特定方法竞争的结果,并扩展方法的评估和比较范围。
Jul, 2021
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
我们提出了一种新的多对象跟踪的视觉分层表示范式,并通过关注对象的组合性视觉区域和与背景的对比背景信息,不仅仅局限于语义可视线索(如边界框),而是更有效地区分对象。这种组合性 - 语义 - 上下文层次结构灵活地集成到不同的基于外观的多对象跟踪方法中。我们还提出了一种基于注意力的视觉特征模块来融合分层视觉表示。该方法在多个多对象跟踪基准中实现了最先进的准确性和时间效率。
Feb, 2024
本文对深度学习手段在视觉目标跟踪中的应用作了全面综述,包括常用的数据集、评估指标以及当前领先的跟踪器,并对它们进行了量化和定性分析,旨在为实践者在选择方案时提供指导和对未来方向进行探讨。
Dec, 2019
单目标跟踪是许多关键领域应用的重要任务,尽管它仍被认为是最具挑战性的视觉任务之一。本文针对单目标跟踪的应用,提出了一种基于新技术和趋势的方法分类,并对广泛使用的跟踪基准中方法的性能进行了比较分析,同时分析了这些方法的优缺点,并提出了非传统技术在单目标跟踪中的指导,最后提出了未来研究的潜在方向。
May, 2024
我们设计了一种有效的视觉 - 语言表示方法,同时为追踪问题构建了一个大型带有语言注释的数据库。通过引入异构架构搜索和模态混合器等核心技术,以及对不同模态之间进行对比损失的引入,我们能够显著改善追踪问题的解决方案,并期望将更多注意力转向视觉 - 语言追踪,为未来的多样化多模态消息追踪开辟更多可能性。
Jul, 2023
本研究提出了一种多目标跟踪方法,通过使用新颖的 “多轨道汇聚模块” 同时处理所有的轨迹,从而避免了在场景中存在类似目标时模型对每个目标进行单独建模的缺陷,实现了在线实时操作和最先进的性能表现。
Jan, 2021