学习空间正则化相关滤波器进行视觉跟踪
本文介绍了一种空间 - 时间规范化相关滤波器(STRCF),通过将时间正则化引入到只有一个样例的 SRDCF 中,提出了 STRCF 公式,该公式不仅可以作为具有多个训练样例的 SRDCF 的合理近似,而且在具有大量出现变化的情况下,可以提供比 SRDCF 更健壮的外观模型,并可以通过交替方向乘法器(ADMM)有效地解决。STRCF 结合了时间和空间正则化的优势,并且在精度和速度方面表现出比 SRDCF 更出色的性能。
Mar, 2018
本文提出了一种新的 DCF 跟踪方法,通过自适应的空间特征选择和时间一致性约束实现联合空间时间滤波器学习,在更低维的判别性流形中学习具有历史约束的滤波器,并提出了统一的优化框架来联合选择特征和学习判别性滤波器,并在多个公共数据集中进行了实验,结果表明该方法优于基准的跟踪方法。
Jul, 2018
本篇文章介绍了带有空间和通道可靠性概念的建议学习算法的判别相关滤波(DCF)跟踪,其在跟踪非矩形对象和扩大搜索区域方面表现出色。通过基于两个简单标准特征,HoGs 和 Colornames,CSR-DCF 方法在 VOT 2016、VOT 2015 和 OTB100 方面取得了最先进的结果,并可以在 CPU 上实时运行。
Nov, 2016
本文提出了一种训练连续卷积滤波器的新方法,通过使用隐式插值模型将学习问题放在连续空间域中,实现了多分辨率深度特征图的高效整合,从而在三个物体跟踪基准测试中均取得了优异的结果。此外,我们提出的方法具有亚像素定位功能,可用于准确特征点跟踪任务。
Aug, 2016
提出了一种自适应在线学习以提高无人机(UAV)目标跟踪和定位的方法,该方法通过引入空间本地响应地图变化作为空间正则化,并使用全局响应地图变化来确定滤波器的更新速率,优于基于 CPU 和 GPU 的跟踪器,速度为每秒约 60 帧,具有较高的有效性和多功能性。
Mar, 2020
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。
Apr, 2017
提出了一种抑制检测过程中异常情况的方法,即抑制异常相关滤波器(ARCF),通过对检测阶段生成的响应图的变化速率进行限制,ARCF 跟踪器可以明显抑制异常情况,并因此具有更强的鲁棒性和准确性,可进行 UAV 目标跟踪,在 243 个具有挑战性的图像序列上验证了该跟踪器的性能,表现出比其他 20 个 DCF 和基于深度学习的框架更优越的性能,并可以满足实时应用的速度要求。
Aug, 2019
本文提出了一种卷积回归框架(Convolutional Regression framework),并采用梯度下降法(Gradient Descent)对一个仅输出单通道的卷积层进行优化,以解决视觉物体跟踪的线性回归问题。相较于基于切片生成合成样本的区别相关滤波(Discriminatively Learned Correlation Filters,DCF),“卷积回归框架” 可以利用整个图像剪裁出的所有实际样本进行跟踪,同时还提出了新的 “自动化难反例挖掘(Automatic Hard Negative Mining)” 方法来排除容易算法的反例以提升跟踪效果。在广泛使用的 100 个序列中进行了大量实验,结果表明该算法实现了卓越的性能,并优于几乎所有现有的基于 DCF 的算法。
Nov, 2016
本文利用连续帧中的丰富流信息,通过在网络中制定特殊层来提高特征表示和跟踪精度,提出了一种基于深度学习框架中的联合训练流和跟踪任务的方法,并且采用了新颖的空间 - 时间注意机制,对 OTB2013、OTB2015、VOT2015 和 VOT2016 四个具有挑战性的跟踪数据集进行了广泛的实验,证明所提出的方法在这些基准测试中具有优越的结果。
Nov, 2017