用循环特征图进行大边界目标跟踪
本文提出了一种基于支持向量机模型的视觉跟踪算法,利用循环矩阵表达式和离散傅里叶变换优化迭代学习支持相关滤波器,其计算复杂度为 O (n^2*logn),在多通道特征、核函数和自适应尺度方法方面进行了进一步优化,实验结果显示该算法较于当前最先进的跟踪方法更快、更准确。
Jan, 2016
本文提出了一种利用大边界结构卷积算子 (LMSCO)、空间规则化和隐式插值获取持续深特征图实现 TIR 物体追踪的方法,并通过协作优化策略得到新的操作符,继承 SOSVM 强大辨识能力优势,使用高维特征和更密集样本实现准确、鲁棒性高的 TIR 物体追踪,该方法在两个热红外追踪基准测试中具有出色的结果,在准确性和鲁棒性方面优于大多数最先进的追踪器,帧速度足够
Apr, 2018
本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力,从而在多目标跟踪方面取得了最先进的效果,并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。
Apr, 2021
提出了一种基于时空多任务结构输出优化的鲁棒性关键点跟踪器,实现了跨帧时空模型的一致性、帧内空间模型的一致性以及辨别特征的构建,并采用联合学习方案同时优化了上述三个模块。
Dec, 2014
我们提出了一种基于自注意力 / 交叉注意力的目标依赖特征网络,通过深度嵌入多层特征的交叉图像特征相关性,抑制了非目标特征,从而实现了实例变化的特征提取,在不需要额外的相关步骤的情况下可以直接用于预测目标位置,且可以灵活地在丰富的无配对图像上进行预训练,实现了较快的收敛速度和最先进的实时跟踪性能。
Mar, 2022
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
提出了一种学习多个自适应关联滤波器的方法,同时具有目标外观的长期和短期记忆,以实现强大的物体跟踪,在大规模基准数据集上表现优异,尤其在效率、准确性和鲁棒性方面均优于现有的技术方法。
Jul, 2017
本文提出了一种新的空间监督递归卷积神经网络,用于视觉对象跟踪,通过研究长短期记忆和区域信息的回归能力,结合卷积网络产生的高层视觉特征直接预测跟踪位置,相较于现有的深度学习跟踪器,我们的跟踪器在保持低计算成本的同时更加准确和鲁棒,实验结果表明在多个数据集上均表现优异,常常优于排名第二的跟踪器。
Jul, 2016