本文提出了一种自适应的视觉目标跟踪方法,通过离线学习增强学习代理来决定何时在浅层或深层特征下对图像进行处理,从而实现在单个 CPU 上快速跟踪,同时为几乎 50% 的时间提供了 100 倍的速度提升。
Aug, 2017
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
本文提出了基于多域卷积神经网络 (MDNet) 的快速和准确的视觉跟踪算法。通过加速特征提取过程和学习更有区分度的模型,以维护高分辨率特征图并对每个激活保持大的接受域,以增强目标和背景的表示质量。我们还引入了新的损失项,以区分多个领域中的前景实例,并学习具有相似语义的目标对象的更有区分度的嵌入。我们将这些技术集成到 MDNet 的管道中,实现了近 25 倍的加速,准确性几乎与 MDNet 相同。在多个流行的跟踪基准数据集中对我们的算法进行了评估,包括 OTB2015、UAV123 和 TempleColor,并且即使没有特定于数据集的参数调整,也始终优于最先进的实时跟踪方法。
Aug, 2018
本文提出一种新颖的方案来学习目标感知特征,用于视觉跟踪,并将目标感知特征与孪生匹配网络相结合,实现与最先进技术相比精度和速度均有优异表现。
Apr, 2019
本文提出了一个用于视觉跟踪的双网络模型,利用不同深度网络层次上的结构进行层次特征的提取,通过层次特征和边缘检测器相结合,进一步嵌入目标周围局部细节,并对其进行在线更新和独立分量分析,实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明,所提出的算法具有很好的性能。
Dec, 2016
该研究提出了一种基于深度强化学习方法构建的模板选择策略的实时视觉追踪算法,该算法可有效应对模型更新导致的跟踪偏移问题,可在实时速度下以 43fps 跑动。
Feb, 2017
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
提出了一种基于 Siamese 匹配网络和元学习网络的新型在线视觉跟踪框架,其运行速度非常快。该算法利用元学习网络提供目标对象的新外观信息,通过添加目标感知特征空间,消除了在跟踪中不断解决复杂优化任务的必要性。在保持与其他最先进的跟踪算法相当的性能的同时,实验结果证明我们的算法运行速度是实时的。
Dec, 2017
本研究提出了一种深度自适应的卷积 Siamese 网络,使用参数门控函数控制卷积的深度以平衡跟踪精度和计算成本,在 VOT2016 基准测试上取得了可比较的精度。同时,对比传统的固定结构神经网络,在给定计算成本下取得了更高的精度,该框架可以在卷积神经网络的其他任务中使用,并使运行时的速度与准确性交换。
Jan, 2018