本文提出一种背景感知的基于关联滤波的目标跟踪算法,相比其他基于深度学习范式的跟踪器,经过多个跟踪基准的大量实验表明,我们的方法具有卓越的准确性和实时性,同时保持计算效率。
Mar, 2017
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
本文提出了一种新的基于相关滤波器的优化问题,联合建模区分度和可靠性信息用于视觉跟踪,其中包括滤波器的基本成分和可靠性项,以及局部相应一致性正则项以强调不同区域的平等贡献。实验结果表明,我们的跟踪器表现优于其他同类跟踪器。
Apr, 2018
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
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
本文提出了一种端到端的框架来同时学习卷积特征并执行跟踪过程,即统一的卷积跟踪器(UCT),该跟踪器通过将特征提取器和跟踪过程都视为卷积操作进行联合训练,使得学习到的 CNN 特征与跟踪过程紧密耦合。在四个具有挑战性的跟踪数据集上进行了实验,我们的方法在保持超过实时速度的同时,在这些基准测试中实现了领先的性能。
Aug, 2019
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
本研究提出了一种递归滤波器生成方法来进行视觉跟踪,直接将目标的图像块作为输入,使用递归神经网络来生成一个特定于目标的滤波器,通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算,对目标的空间结构进行保留和内存优化。