本文提出了一种新的基于相关滤波的跟踪器,具有对大位移下相似变换的鲁棒估计以及在实时环境下高效搜索 4 - 自由度空间的能力,同时运用 Block Coordinates Descent 求解器对问题进行拆解优化。实验结果表明,该跟踪器具有与最新的视觉对象跟踪方法相当的预测性能,同时仍保留了传统相关滤波跟踪方法的高效和简单优点。
Dec, 2017
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
该研究提出了一种新的长期 RGB-D 跟踪器 - 通过重构物体实现的目标跟踪 (OTR),通过进行在线 3D 目标重建,完成强健学习一组视图特定的相关性筛选器 (DCFs) 以实现跟踪目标,经过对 Princeton RGB-D 跟踪和 STC 基准测试的广泛评估,发现 OTR 在大幅度优于现有技术水平。
Nov, 2018
本文提出了一种用于视觉目标跟踪的深度全卷积特征学习方法,该方法使用基于网络的反向传播算法,并在性能分析中取得了较好的结果。
Apr, 2017
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
本文提出基于深度学习网络的 DCFNet 算法,利用卷积特征同时完成相关性跟踪过程,其效率和准确性在 OTB-2013, OTB-2015, and VOT2015 测试中表现优异。
本文是第一篇将相关滤波器作为可微分层在深度神经网络中进行应用的研究工作,该方法可以学习与相关滤波器紧密耦合的深度特征,实现高帧率状态下轻量级架构实现最新性能。
介绍了 Spatially Regularized Discriminative Correlation Filters (SRDCF) 算法用于解决缺乏训练数据的视觉追踪问题,并且提出了一种空间正则化组件,能够更高效地学习目标外观模型。在四个基准测试数据集上进行了实验,优于已有最佳追踪器,并在 OTB-2013 和 OTB-2015 中获得了较高的平均重叠精度。
本文提出一种使用互补线索结合岭回归技术的简单追踪器,可快速运作超过 80 FPS,并在多个基准测试中胜过所有著名的 VOT14 竞赛记录,以及最近更复杂的跟踪器。
Dec, 2015