实时追踪的互补学习器
本研究提出了三种稀疏度相关的损失函数,通过利用滤波器响应的各向异性提高相关滤波学习的鲁棒性,从而实现了三种实时跟踪器。大量实验证明了所设计的损失函数显著提高了相关滤波的鲁棒性,并揭示了不同损失函数对跟踪性能的影响,从而为设计鲁棒的相关滤波器提供了实用参考标准。
Aug, 2016
本文提出一种背景感知的基于关联滤波的目标跟踪算法,相比其他基于深度学习范式的跟踪器,经过多个跟踪基准的大量实验表明,我们的方法具有卓越的准确性和实时性,同时保持计算效率。
Mar, 2017
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
我们提出了一种新的 constellation 模型配合相关滤波器的公式,用于追踪目标并处理非刚性物体变形和自遮挡问题。我们设计了两个级别的模型来逼近目标位置,经过高难度测试表明本方法能达到最先进表现且实时运行。
May, 2016
本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力,从而在多目标跟踪方面取得了最先进的效果,并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。
Apr, 2021
本文提出了一种基于学习的 3D 物体跟踪方法,通过从时间点云数据中学习物体对应关系和运动信息的模式,利用 lidar 数据和运动估计技术进行跟踪,以及采用简单有效的速度平滑模块对物体的运动进行估计,从而在 KITTI 和更大规模的 Nuscenes 数据集上优于现有的 3D 跟踪方法。
Oct, 2020
提出了一种学习多个自适应关联滤波器的方法,同时具有目标外观的长期和短期记忆,以实现强大的物体跟踪,在大规模基准数据集上表现优异,尤其在效率、准确性和鲁棒性方面均优于现有的技术方法。
Jul, 2017
本文提出了一种基于形状匹配和纹理匹配的新型跟踪算法来精确高效地跟踪 CoMaL 点,并在实验中证明在不同的现实应用中,特别是在物体边界方面相较于简单的重新检测和匹配框架以及 KLT 算法在速度和准确性方面有所提升。
Jun, 2017
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