CVPRNov, 2017

端到端流量相关跟踪及时空注意力

PDF
TL;DR本文利用连续帧中的丰富流信息，通过在网络中制定特殊层来提高特征表示和跟踪精度，提出了一种基于深度学习框架中的联合训练流和跟踪任务的方法，并且采用了新颖的空间 - 时间注意机制，对 OTB2013、OTB2015、VOT2015 和 VOT2016 四个具有挑战性的跟踪数据集进行了广泛的实验，证明所提出的方法在这些基准测试中具有优越的结果。
trackingdiscriminative correlation filtersdeep convolutional featuresoptical flow estimationspatial-temporal attention mechanism
发现论文，激发创造
  • 通过时空一致性保持空间特征选择学习自适应判别性相关滤波器以实现强鲁棒视觉跟踪

    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

  • DCFNet: 基于判别式相关滤波网络的视觉跟踪

    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

  • 超越相关滤波器：学习连续卷积算子用于视觉跟踪

    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

  • 学习空间正则化相关滤波器进行视觉跟踪

    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

  • 具有通道和空间可靠性的判别相关滤波器

    本篇文章介绍了带有空间和通道可靠性概念的建议学习算法的判别相关滤波（DCF）跟踪，其在跟踪非矩形对象和扩大搜索区域方面表现出色。通过基于两个简单标准特征，HoGs 和 Colornames，CSR-DCF 方法在 VOT 2016、VOT 2015 和 OTB100 方面取得了最先进的结果，并可以在 CPU 上实时运行。

    Nov, 2016

  • ECO：用于跟踪的高效卷积算子

    通过引入卷积算子、压缩模型、限制更新策略等，本文提出了一种性能更优，速度更快的基于判别相关滤波的视觉跟踪方法。通过基准测试，证明该方法比当前优秀算法具有更好的性能表现，并且可以在单个 CPU 上进行实时跟踪。

    Nov, 2016

  • 实时无人机跟踪中的相关滤波增强记忆

    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

  • 学习时空正则化相关滤波器用于视觉跟踪

    本文介绍了一种空间 - 时间规范化相关滤波器（STRCF），通过将时间正则化引入到只有一个样例的 SRDCF 中，提出了 STRCF 公式，该公式不仅可以作为具有多个训练样例的 SRDCF 的合理近似，而且在具有大量出现变化的情况下，可以提供比 SRDCF 更健壮的外观模型，并可以通过交替方向乘法器（ADMM）有效地解决。STRCF 结合了时间和空间正则化的优势，并且在精度和速度方面表现出比 SRDCF 更出色的性能。

    Mar, 2018

  • 基于相关性学习的多目标跟踪

    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

  • DSNet：高效视觉跟踪的深浅特征学习

    本研究提出了一种深浅特征学习网络 DSNet，通过 MSC 特征的学习，利用任何基于 DCF 的方法进行有效的在线追踪，同时可显著提高跟踪速度。

    Nov, 2018