Jul, 2016

面向视觉物体跟踪的空间监督循环卷积神经网络

PDF
TL;DR本文提出了一种新的空间监督递归卷积神经网络，用于视觉对象跟踪，通过研究长短期记忆和区域信息的回归能力，结合卷积网络产生的高层视觉特征直接预测跟踪位置，相较于现有的深度学习跟踪器，我们的跟踪器在保持低计算成本的同时更加准确和鲁棒，实验结果表明在多个数据集上均表现优异，常常优于排名第二的跟踪器。
spatially supervisedrecurrent convolutional neural networksobject trackingregression capabilitydeep learning
发现论文，激发创造
  • 视频视觉目标跟踪的深度强化学习

    本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

    Jan, 2017

  • 视觉跟踪的循环滤波学习

    本研究提出了一种递归滤波器生成方法来进行视觉跟踪，直接将目标的图像块作为输入，使用递归神经网络来生成一个特定于目标的滤波器，通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算，对目标的空间结构进行保留和内存优化。

    Aug, 2017

  • 学习回归和验证网络以进行长期视觉跟踪

    我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

    Sep, 2018

  • SANet：面向结构感知的视觉跟踪网络

    使用递归神经网络结合卷积神经网络提取物体自身结构信息来增强视觉追踪系统对于相似干扰的鲁棒性。在 OTB100、TC-128 和 VOT2015 三个基准测试集上不仅表现优异，且代码已经公开发布。

    Nov, 2016

  • 任务驱动的卷积循环视觉系统模型

    通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

    Jun, 2018

  • 使用循环神经网络进行长期占用网格预测

    使用 Lidar 网格融合和循环神经网络，我们针对自动驾驶中的复杂市区场景进行长期预测，并通过 RNN 训练将场景数据转化为序列，以预测未来的占用率，其中包括卷积长短时记忆（ConvLSTMs）来区分静态和动态区域，预测未来帧中的动态对象，并提供了一种新的经过递归跳跃连接的方法，可以预测遮挡静态区域或者遮挡的小物品，例如行人。

    Sep, 2018

  • 长期循环卷积网络用于视觉识别和描述

    研究比较深度卷积网络和带有循环结构的深度卷积神经网络的效果，针对视频识别、图像描述、检索以及视频叙事方面的问题，开发出一种新颖的循环卷积架构，该架构可以训练端到端，可以同时学习时间动态和卷积感知表示，并具有学习长期依赖性的能力。实验结果证明，循环卷积模型在识别或生成方面与现有的模型相比具有明显的优势。

    Nov, 2014

  • ReConvNet: 带有时空特征调制的视频对象分割

    ReConvNet 是一种循环卷积架构，用于半监督视频对象分割，能够快速适应其特征以聚焦于感兴趣的任何特定对象。通过条件仿射变换学习自适应于感兴趣的对象的时空特征的方法，不需要额外的推断时间内的训练步骤，且在 DAVIS2016 上表现出有竞争力的结果。

    Jun, 2018

  • 深度学习方法用于物体跟踪、速度估计和传感器数据随时间的投影

    本研究提出了一种基于 Transformer 机制的新型循环神经网络单元，该单元能够利用序列传感器录音中的时空相关性，并跟踪对象编码，以获取场景动态和回归速度，并根据提取的速度估计将循环神经网络的内存状态进行投影，以解决空间和时间不对齐的问题。

    Jun, 2023

  • 视觉注意力的循环模型

    通过引入一种新的循环神经网络模型，允许自适应选择一系列区域或位置并仅处理所选区域。该模型可通过强化学习方法训练，提高图像分类性能，并能够跟踪简单对象。

    Jun, 2014