Aug, 2016

一种用树结构建模和传播卷积神经网络的视觉跟踪方法

PDF
TL;DR本文提出了一种在线视觉跟踪算法，使用卷积神经网络来表示目标外观，并通过在树形结构中管理多个目标外观模型来实现目标跟踪。通过在树的不同分支中维护多个卷积神经网络，可以方便地处理目标外观的多样性，并通过沿树路径进行平滑更新来保持模型的可靠性。最终的目标状态通过在前一帧周围采样目标候选状态并在一组活动的卷积神经网络中识别最佳样本来估计。与现有技术相比，我们的算法在在线跟踪基准和视觉对象跟踪挑战等具有挑战性的数据集上表现出色。
visual trackingconvolutional neural networksonline model updatestree structuremulti-modality
发现论文，激发创造
  • 学习多领域卷积神经网络进行视觉跟踪

    通过基于卷积神经网络的表示方式提出了新型的视觉跟踪算法，该算法使用大型跟踪数据集进行了 CNN 预训练，从而获得了通用物体表示信息，并通过领域特定的二分类器不断迭代训练来实现在线跟踪。实验结果表明，该算法在目前已有的跟踪基准数据集中性能表现卓越。

    Oct, 2015

  • 在线目标跟踪的外观模型深度学习

    本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

    Jul, 2016

  • 为实现鲁棒的视觉跟踪而转移丰富的特征层次结构

    本文研究采用卷积神经网络实现可视目标跟踪，解决应用 CNN 的瓶颈问题 - 数据不足，尝试采用离线预训练的方式进行知识迁移，该方法相比其他现有跟踪器有着显著的提高，并提出提出通过产生概率映射来跟踪目标.

    Jan, 2015

  • DeepTrack：在线学习区分性特征表示以实现鲁棒的视觉跟踪

    本研究提出了一种利用单个卷积神经网络（CNN）实现在纯在线模式下学习目标对象有效特征表示的高效且非常强大的跟踪算法，其利用一种新颖的截断结构损失函数、稳健的样本选择机制和一种懒但有效的更新算法，使 CNN 在视觉跟踪中对遮挡或错误检测等难以处理的问题具有鲁棒性，在实验中，与现有跟踪器相比，该算法可以提高性能。

    Feb, 2015

  • 使用卷积神经网络学习具有区别性显著性图像的在线追踪

    使用卷积神经网络学习判别性显着图进行在线视觉跟踪，构建目标外观模型和特定显着图，实现像素级别的目标分割。

    Feb, 2015

  • 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

  • 使用循环神经网络进行在线多目标跟踪

    本文提出了一种基于循环神经网络 (RNNs) 进行在线多目标跟踪的新方法，在真实场景下跟踪多个对象涉及许多挑战，包括 a）先验未知和时变目标数量，b）所有目标的连续状态估计，和 c）数据关联的离散组合问题。这项工作中提出的方案通过端到端学习的方式，解决了上述的所有问题，并在合成数据和真实数据上的实验表明取得了不错的效果，为未来研究方向奠定了基础。

    Apr, 2016

  • 基于卷积神经网络的稳健视觉跟踪

    本文提出了一种新的基于卷积神经网络的目标跟踪方法，使用简单的两层卷积神经网络进行在线适应学习，能够生成鲁棒性较强的目标表示，并在 CVPR2013 数据集上的 50 个挑战性视频中表现优异。

    Jan, 2015

  • 通过 CNN Tree 学习大规模分类的细粒度特征

    本文提出了一种新颖的方法来增强卷积神经网络（CNN）的可辨别性，通过建立一个树状结构来逐步学习精细的特征，以区分一部分类别。我们开发了一种新算法，有效地从大量类别中学习树结构。实验表明，我们的方法可以提高给定基本 CNN 模型的性能，且具有一般性，因此可以潜在地与许多其他深度学习模型结合使用。

    Nov, 2015

  • 基于卷积神经网络单目标跟踪器与时空注意力机制的在线多目标跟踪

    本文提出了一种基于 CNN 的框架，用于在线多目标跟踪，并引入了空间 - 时间注意机制处理 Occlusion 问题，从而实现在 MOT15 和 MOT16 基准数据集上 34.3% 到 46.0% 的多目标跟踪性能。

    Aug, 2017