判别式尺度空间跟踪
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
该研究提出了一种基于目标状态估计和分类的新型跟踪架构,该架构通过离线学习将高层次的知识融入到目标状态估计中,以实现前所未有的边界框精度。同时,该架构还引入了一个在线训练的分类组件,以保证对干扰物高度鉴别性能。该跟踪框架在 5 个挑战基准测试中取得了新的 state-of-the-art 结果,在新的大规模 TrackingNet 数据集上取得了 15% 的相对增益,而运行速度超过 30 FPS。
Nov, 2018
本文探讨了一种基于时间空间计算的高效物体检测方法,通过在规模,时间和空间上重新配置计算来实现性能和计算成本的平衡,提出了一个统一的框架,在 ImageNet VID 数据集中实现了具有竞争力的 mAP 79.6%。
Apr, 2018
提出了一种采用比例尺度敏感卷积神经网络的实用目标检测方法。通过平均特征来预测每个卷积滤波器的全局连续比例尺度,并通过通道来提取比例尺度。为了实现快速部署,将鲁棒性分数尺度转换为每个卷积滤波器的固定整数比例尺度组合,利用了膨胀卷积。在 COCO test-dev 上,该模型在 ResNet-101 的两个阶段探测器上分别实现了 41.5 和 42.1 的平均精度,并且无需额外的 FLOPS 即可超越基线模型。
Sep, 2019
该研究提出了一种基于 Kalman 滤波的单目 SLAM 算法中估算 3D 重建模型的全局尺度的新方法,通过结合基于快速通用目标检测的一组广泛预定义的类别中检测到的对象的高度先验,每个观测值都基于单个帧生成,因此不需要数据关联处理,该方法在多个不同目标类别的实验中取得了非常有希望的结果。
May, 2017
提出了一种用于跟踪的检测框架的新方法,该方法通过估计样本质量来动态地管理训练集并降低损坏样本的影响,并通过在目标外观模型和样本质量权重上最小化单个损失的统一公式实现,最终在三个数据集上实现了最新的结果提升。
Sep, 2016
为了解决基于相关滤波的追踪器在目标遮挡时响应图中存在多个峰值和不确定性等问题,本文提出一种针对不同情景选择特定滤波模型的方案,并采用有效测量函数和复杂策略来更新筛选模型,在此基础上结合对数极坐标方法和金字塔式方法进行目标尺度估计,实验表明该方案在 VOT2018 挑战赛和 OTB100 数据集上优于现有的追踪器。
Jul, 2018
本文提出了一种基于分割的跟踪器,通过分割掩码来描述目标,相较于边框,在形状和对齐上更加精确,并且引入了一个独立的实例定位组件用于提高跟踪的鲁棒性,最终在挑战的数据集上取得了 69.7% 的成功率。
Mar, 2022
通过权重共享和卷积核重新缩放的方式,基于一些普遍的先决条件,建立了精确的尺度卷积等变性,并为所有情况找到了确切的解,并计算其余近似值。这种离散尺度卷积具有重要意义,能在 MNIST-scale 和 STL-10 的监督学习中达到最新分类性能,并通过 OTB-13 上尺度等变 Siamese 跟踪器改进了计算效率。
Jun, 2021
本文提出一个在线模块,带有离线 siamese 网络中的注意机制,用于提取基于 L2 误差下的目标特定特征。我们进一步提出了适应性的滤波器更新策略以处理背景噪声和模板更新策略以处理大目标形变,其在三个 siamese 基线上的持续改进中得到了显着有效性验证,并且基于 SiamRPN++ 的模型在六个受欢迎的跟踪对比基准中获得了最佳结果,可以超出实时操作。
Sep, 2019