深度特征级联自适应跟踪策略学习

ICCVAug, 2017

深度特征级联自适应跟踪策略学习

Learning Policies for Adaptive Tracking with Deep Feature Cascades

Chen Huang, Simon Lucey, Deva Ramanan

TL;DR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。

Abstract

visual object tracking is a fundamental and time-critical vision task. Recent years have seen many shallow tracking methods based on real-time pixel-based correlation filters, as well as deep methods that have to

visual object tracking shallow tracking methods deep trackers adaptive approach reinforcement learning

发现论文，激发创造

多尺度领域自适应实时深度跟踪

本文基于卷积通道缩减技术将图像分类特征应用于视觉跟踪领域，提出了一种有效而实时的视觉跟踪器，不仅提取了目标的有用信息，而且大幅提高了跟踪速度，同时在两个基准测试中实现了最新的准确性。

Jan, 2017

深度自适应计算策略用于高效视觉跟踪

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

基于深度强化决策的实时视觉跟踪

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

揭开深度跟踪的力量

探究深度特征在目标跟踪中的局限性及其与手工特征关系，提出融合深度与浅层特征的自适应方法以提高跟踪的鲁棒性和准确性，并在四个数据集上进行实验证明该方法相较于当前最优跟踪算法有 17% 的提升。

Apr, 2018

使用深度回归网络学习以 100 FPS 跟踪

提出了一种离线预训练神经网络的方法，可使跟踪速度高达 100 fps，而不需要在线训练，用于跟踪不出现在训练集中的新颖对象

Apr, 2016

使用学习的分层特征进行视频跟踪

该论文提出了一种基于层次特征学习的视觉目标跟踪方法，通过使用两层卷积神经网络实现对多样化运动模式的特征离线学习，并通过域自适应模块实现对具体目标的个性化在线特征调整，提高了在复杂运动转换和外观变化情况下的视觉目标跟踪性能。

Nov, 2015

在线目标跟踪的外观模型深度学习

本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

Jul, 2016

元追踪器：快速且强韧的在线适应视觉目标追踪器

本文提出一种基于元学习的离线方法，以调整在线适应式跟踪中使用的初始深度网络，以实现更快速、准确和鲁棒的跟踪。实验证明，该方法在 OTB2015 和 VOT2016 标准基准测试中优于当前最先进的跟踪方法。

Jan, 2018

视觉跟踪的相关良好特征

本文提出了一种用于视觉目标跟踪的深度全卷积特征学习方法，该方法使用基于网络的反向传播算法，并在性能分析中取得了较好的结果。

Apr, 2017

视频视觉目标跟踪的深度强化学习

本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

Jan, 2017