使用学习的分层特征进行视频跟踪
本文研究采用卷积神经网络实现可视目标跟踪,解决应用 CNN 的瓶颈问题 - 数据不足,尝试采用离线预训练的方式进行知识迁移,该方法相比其他现有跟踪器有着显著的提高,并提出提出通过产生概率映射来跟踪目标.
Jan, 2015
本文提出了一种自适应的视觉目标跟踪方法,通过离线学习增强学习代理来决定何时在浅层或深层特征下对图像进行处理,从而实现在单个 CPU 上快速跟踪,同时为几乎 50% 的时间提供了 100 倍的速度提升。
Aug, 2017
本文介绍了一种非监督框架来提取视频表征的语义丰富特征,并提出了一个深度卷积神经网络来分离运动、前景和背景信息。实验结果表明,该网络可以在视频中成功分割前景和背景,并基于分离的运动特征更新前景外观。此处提供的预训练方法可以优于随机初始化和自动编码器预训练,促进了区分性分类任务。
Jul, 2017
本文提出了一个用于视觉跟踪的双网络模型,利用不同深度网络层次上的结构进行层次特征的提取,通过层次特征和边缘检测器相结合,进一步嵌入目标周围局部细节,并对其进行在线更新和独立分量分析,实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明,所提出的算法具有很好的性能。
Dec, 2016
本文提出了一种新的基于卷积神经网络的目标跟踪方法,使用简单的两层卷积神经网络进行在线适应学习,能够生成鲁棒性较强的目标表示,并在 CVPR2013 数据集上的 50 个挑战性视频中表现优异。
Jan, 2015
本文介绍了一种基于无监督学习的视觉特征提取方法,采用运动分割技术自动从视频中得到图像分割信息进行卷积神经网络训练,结果在涉及少量目标训练样本的场景下显著优于现有无监督学习方法。
Dec, 2016
本文提出了 “稳态特征分析” 这一新的方法,通过在未标记的序列视频中训练卷积神经网络,利用各种数据集证明本方法在目标、场景和动作识别等方面的有效性,且其特征甚至可以超过传统的监督式预训练方法。
Jun, 2015
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
本文基于卷积通道缩减技术将图像分类特征应用于视觉跟踪领域,提出了一种有效而实时的视觉跟踪器,不仅提取了目标的有用信息,而且大幅提高了跟踪速度,同时在两个基准测试中实现了最新的准确性。
Jan, 2017
本文提出了一种基于神经网络的视频分割方法,用于区分视频帧中独立运动的物体,并利用对象运动、外观和时间一致性等多个信息源,通过对数据进行训练得到模型,经过评估表明该模型在 DAVIS、Freiburg-Berkeley 运动分割数据集和 SegTrack 等数据集上表现良好。
Dec, 2017