长短期记忆自适应相关滤波器用于目标跟踪
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
本研究提出了三种稀疏度相关的损失函数,通过利用滤波器响应的各向异性提高相关滤波学习的鲁棒性,从而实现了三种实时跟踪器。大量实验证明了所设计的损失函数显著提高了相关滤波的鲁棒性,并揭示了不同损失函数对跟踪性能的影响,从而为设计鲁棒的相关滤波器提供了实用参考标准。
Aug, 2016
本文是第一篇将相关滤波器作为可微分层在深度神经网络中进行应用的研究工作,该方法可以学习与相关滤波器紧密耦合的深度特征,实现高帧率状态下轻量级架构实现最新性能。
Apr, 2017
通过更新并维护多个相关性滤波器模型,并使用深度强化学习选择最佳相关滤波器模型,在处理目标外观建模的决策过程中利用决策网络,本文提出了一种解决相关滤波器更新问题的新方法,在 OTB100 和 OTB2013 基准测试上得到了较好的表现,达到了 62.3%的平均成功率和 81.2%的平均精度得分,超过了传统相关滤波器的跟踪器的表现。
Nov, 2018
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
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
我们提出了一种新的 constellation 模型配合相关滤波器的公式,用于追踪目标并处理非刚性物体变形和自遮挡问题。我们设计了两个级别的模型来逼近目标位置,经过高难度测试表明本方法能达到最先进表现且实时运行。
May, 2016