IJCAIApr, 2016

强制使用模板表达和时间一致性实现自适应稀疏跟踪

PDF
TL;DR本文提出了一种新的稀疏跟踪算法，通过模拟模板可表示性和时间一致性 (TRAC) 来解决时间外观变化的问题，改进了目标出现变化鲁棒性问题，在 12 种挑战性基准测试集上，质量和数量的结果都表明我们的算法优于现有的跟踪器。
sparse representationvisual trackingtemporal consistencytemplate representabilityrobustness
发现论文，激发创造
  • 通过时间减缓原则，自学习得视觉跟踪的深度不变表示

    本研究提出一种基于复数不变表示和卷积自编码器的视觉跟踪方法，该方法采用粒子滤波器框架进行实时跟踪，并在多个挑战性基准序列上表现出色。

    Apr, 2016

  • 面向在线多人跟踪的时间动态外观建模

    我们提出了一种利用时间动态特性来辨别不同人的外观建模方法并采用特征选择算法来描述外观变化的在线多人跟踪算法，该方法在 MOTChallenge 2015 基准测试上超越了同类算法。

    Oct, 2015

  • 多目标跟踪的表示对齐对比正则化

    利用轻量级单层变压器编码器模型化时空关系，通过基于特征对齐的对比正则化损失将特征引入数据关联阶段，以提高现有跟踪网络的性能和解释性。

    Apr, 2024

  • 自适应跟踪的自回归查询与时空 Transformer

    提出了一个自适应的带有时空转换器的跟踪器（命名为 AQATrack），通过采用简单的自回归查询来有效地学习时空信息，从而改善了目标跟踪中手动设计组件过多的问题，并设计了新颖的注意力机制来生成当前帧的新查询，最终使用空间 - 时间信息融合模块（STM）定位目标对象，实验结果表明，该方法在六个流行的跟踪基准上显著提高了跟踪器的性能：LaSOT、LaSOText、TrackingNet、GOT-10k、TNL2K 和 UAV123。

    Mar, 2024

  • 基于时间上下文的真实世界视觉跟踪

    提出了一种利用时间上下文的双层框架 (TCTrack)，用于实现更强大的现实世界视觉跟踪，并在特征提取和相似度图优化方面进行了改进。

    Aug, 2023

  • 无监督视觉表示学习中的时间知识一致性

    本文提出了一种新的算法，名为 TKC，将时间一致性集成到现有的实例区分范例中，并且能够在 ResNet 和 AlexNet 上学习更好的视觉表示，在下游任务上也有良好的泛化效果。

    Aug, 2021

  • 具有模态提示的时间自适应 RGBT 跟踪

    提出了一种新型的时域自适应 RGBT 跟踪框架 TATrack，该框架通过在线更新模板和跨模式交互，综合利用时空信息和多模态信息进行目标定位，并在三个常用 RGBT 跟踪基准上取得了最先进的性能。

    Jan, 2024

  • 学习全局结构一致性以实现鲁棒目标跟踪

    本文提出了一种有效且高效的视觉目标跟踪方法，通过短期模型和长短期范式相结合来实现稳定性与适应性的平衡，并采用整体结构的一致性以及瞬时变化的建模来识别并定位目标。

    Aug, 2020

  • 半监督轨道对比表示学习

    本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法，可以处理在线多目标跟踪问题，该方法可以进行半监督学习，并且在多个数据集上都表现出了更好的性能。

    Jul, 2021

  • ACTrack: 为视觉目标跟踪添加时空条件

    我们提出了 ACTrack，一个新的跟踪框架，通过冻结参数来保留预训练的 Transformer 骨干的质量和能力，并使用可训练的轻量级加法网络来建模跟踪中的时空关系，实验结果证明 ACTrack 能够在训练效率和跟踪性能之间取得平衡。

    Feb, 2024