关于视频检测和跟踪的稳定性
构建了一个新的数据库 StableDB,包含了 1,952 个多样性抖动的 UGC 视频,每个视频都有 34 位评审者对视频稳定度的评分,并通过设计了一个名为 StableVQA 的新型 VQA-S 模型,该模型包括三个特征提取器以获取光流、语义和模糊特征,并通过回归层预测最终的稳定得分。广泛实验证明,StableVQA 与主观意见的相关性高于现有的 VQA-S 模型和通用 VQA 模型。
Aug, 2023
本文提出了一种单目标跟踪器绩效评估的新方法,在数据集、性能指标和评估系统方面对其作出要求。同时,引入了基于排名的方法,并构建了一个多方平台的评估系统,使其成为至今最具精密注释的数据集之一。此方法在 VOT2014 挑战赛上得到了应用,并对数据集进行了全面分析,提出了可行的性能可视化技术。
Mar, 2015
本研究针对视觉跟踪评估中的性能指标缺乏共识的问题,重新审视了当前流行的性能指标和追踪器表现可视化技术,通过理论和实验分析,提出了准确度和鲁棒性两个指标,对追踪器的性能进行综合评估,以推动追踪器评估方法的同质化。
Feb, 2015
本文提出了一个基于贪婪搜索的评估指标,用于评估目标检测模型的平移等变性,发现许多现代目标检测模型对输入图像的微小平移都非常敏感,并探究了文献中的解决方案及其有效性,揭示了这种平移变异性的程度和可能因素的贡献,为开发缓解或利用这种变异性的方法奠定基础。
Aug, 2020
该论文提出了一种基于最新的人体检测和视频理解技术的轻量化人体关键点估计和跟踪方法,在帧级别和短视频片段中进行关键点估计,并进行轻量级跟踪,领先于多项竞争者,成为 2017 年 ICCV PoseTrack 的关键点跟踪挑战的最佳表现。
Dec, 2017
本研究提出了一种面向自动驾驶的三维物体检测的原则性指标,可以测量检测结果对车辆驾驶的影响,该指标可以考虑除 “零误报” 和 “零漏报” 之外的其他因素比如目标与车辆的距离和速度,从而代表了一种新的衡量标准。
Apr, 2020
本研究提出新型精度和召回率的性能评价措施,并通过拥有超过 2700 个身份的 1080p,60fps 视频上的 2 百万帧进行了大规模标注和校准,同时使用参考软件系统作为比较基准。研究结果表明,提出的措施恰当地评估了多相机设置中的身份识别性能,数据集提供了对目前跟踪器的现实挑战,而我们的系统的性能可与现有技术水平相当。
Sep, 2016
本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略,来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪,并在多个数据集中获得最佳性能。
Sep, 2015
通过采用测试时间自适应方法,我们提出了一种新颖的方法来提升视频稳定的像素级合成解决方案的性能,该方法利用低级视觉线索改善结果视频的稳定性和质量,通过元学习技术显著提高了稳定性,仅需一个自适应步骤。该算法在实际场景中提高了各种像素级合成模型用于视频稳定的性能。
Mar, 2024
我们提出了一种新的长期跟踪性能评估方法,并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集,通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度,召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器,评估结果表明,良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要,我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试,并促进了长期跟踪器的开发。
Apr, 2018