ECO:用于跟踪的高效卷积算子
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
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
本研究提出了一种基于判别相关滤波器框架的新型跟踪器,通过引入历史视图并运行实时速度来拓展记忆,通过快速压缩上下文学习来提高滤波器的鉴别能力,并在 UAVDT 和 UAV123 数据集上验证了该跟踪器的竞争性能。
Sep, 2019
介绍了 Spatially Regularized Discriminative Correlation Filters (SRDCF) 算法用于解决缺乏训练数据的视觉追踪问题,并且提出了一种空间正则化组件,能够更高效地学习目标外观模型。在四个基准测试数据集上进行了实验,优于已有最佳追踪器,并在 OTB-2013 和 OTB-2015 中获得了较高的平均重叠精度。
Aug, 2016
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
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
本文提出了 CREST 算法,将判别性相关滤波器(DCFs)改进为一层卷积神经网络,将特征提取、响应图生成和模型更新集成进神经网络进行端到端训练,通过残差学习来考虑外观变化以减少模型退化。实验结果表明,我们的 CREST 跟踪器在基准数据集上表现优异。
Aug, 2017
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