Jul, 2015

在边缘框提议上追踪随机移动对象

PDF
TL;DR该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法，并通过更新物体模型及学习提议的重排序来减少困难背景干扰物，以提高跟踪系统的鲁棒性，该方法在常见的跟踪基准测试中，性能优异，在快速运动物体以及超低帧率视频中表现出强大的鲁棒性。
tracking-by-detectionobject trackinginstance-specific objectness measurecore trackerrobustness
发现论文，激发创造
  • 超越局部搜索：基于实例的提案实现目标追踪

    本文提出了一种物体跟踪方法，通过实例特定的物体性度量产生 “高质量” 提议，并更新物体模型，以集中处理这些提议中的困难误报，并学习按对象模型对提议重新排名，在流畅跟踪移动对象和超低帧速率视频方面表现良好。

    May, 2016

  • 在线目标跟踪及提议选择

    本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略，来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪，并在多个数据集中获得最佳性能。

    Sep, 2015

  • 实时多目标跟踪 - 速度重要性的研究

    通过多目标跟踪器和 Hungarian Algorithm 方法解决了运动物体的跟踪问题，并在 Okutama-Action 数据集上进行了测试表明实时运行时性能存在较大损失，需要进一步研究。

    Sep, 2017

  • 无额外附加物的跟踪

    本文提出了一种新的跟踪方法 Tracktor，该方法利用对象检测器的边界框回归来预测下一帧中对象的位置，同时扩展直接重识别和摄像机动作补偿，从而实现了超越现有任何跟踪方法的跟踪性能。

    Mar, 2019

  • 有效的检测提案的要素是什么？

    该论文通过分析 12 种提案方法及 4 种基线，评估了它们对物体识别精度、重复性以及物体本地化准确性的影响，并提出了一个新的指标 —— 平均召回率，该指标同时奖励高召回率和良好的本地化准确性，并与检测性能惊人地相关。该论文的发现为选择和调整提案方法提供了指导和度量标准。

    Feb, 2015

  • 物体不消失：通过单帧物体位置预测的视频物体检测

    通过利用连续平滑的运动，我们在三个方面进行了改进：1）通过将对象运动作为额外的监督来源，从静态关键帧中预测对象位置来提高准确性。2）通过仅在少量帧中进行昂贵的特征计算来提高效率。3）通过仅注释关键帧并利用关键帧之间的平滑伪运动来减少注释成本。我们在四个数据集上展示了计算效率、注释效率和改进的均值平均精度，分别是 ImageNet VID，EPIC KITCHENS-55，YouTube-BoundingBoxes 和 Waymo Open dataset。我们的源代码可在此 https URL 找到。

    Aug, 2023

  • 学习跟踪任意物体

    本研究通过将类别特定的外观模型重新定义为通用的物体状态预测，在两种大规模跟踪基准测评（OxUvA 和 GOT）中实现了最先进的结果，并通过添加一个 mask 预测分支，为跟踪的对象生成实例分割掩模。

    Oct, 2019

  • 为多目标跟踪学习提议分类器

    本论文提出了一个新颖的基于提议的可学习框架来解决多目标跟踪问题，该框架类似于 Faster RCNN，通过图聚类方法产生跟踪提议，并通过可训练的图卷积网络 GCN 来打分，实验结果表明这种方法在两个公共基准测试上比最先进的方法都有明显的性能提升。

    Mar, 2021

  • 对象检测提议在条件变化下的评估

    本文介绍了一种将 Selective Search 和 EdgeBoxes 相结合的目标检测方法，并在环境变化下对其进行了实验验证，结果表明此方法在光照和视角变化下性能优于其他两种方法。

    Dec, 2015

  • 检测还是跟踪：朝着成本效益高的视频目标检测 / 跟踪方向

    通过使用现有的探测器和追踪器，本文提出了一种基于双子追踪器的调度器网络来提高视频目标检测 / 跟踪的准确性，其比跳帧和基于流的方法更加高效，经过了在 ImageNet VID 数据集上的验证。

    Nov, 2018