Nov, 2017

在线多物体跟踪的递归自回归网络

PDF
TL;DR本文提出了一种循环自回归网络（RAN），它是一种时间生成建模框架，可以可靠地将物体轨迹与每个视频帧中的检测相关联，并通过内、外存储器来处理多个物体的外貌和运动动态。实验证明，我们的追踪方法在高度拥挤和遮挡的场景中具有鲁棒性，并在 MOT2015 和 2016 数据集上取得了排名最高的结果。
online multi-object trackingrecurrent autoregressive networktemporal generative modelingobject trajectoriesdetections
发现论文，激发创造
  • 使用循环神经网络进行在线多目标跟踪

    本文提出了一种基于循环神经网络 (RNNs) 进行在线多目标跟踪的新方法，在真实场景下跟踪多个对象涉及许多挑战，包括 a）先验未知和时变目标数量，b）所有目标的连续状态估计，和 c）数据关联的离散组合问题。这项工作中提出的方案通过端到端学习的方式，解决了上述的所有问题，并在合成数据和真实数据上的实验表明取得了不错的效果，为未来研究方向奠定了基础。

    Apr, 2016

  • Re3：基于实时循环回归网络的通用物体视觉跟踪

    Re3 是一款实时深度目标跟踪器，拥有轻量级的模型，通过添加时间信息到模型中来实现对待跟踪物体的鲁棒追踪，并在单向传输中同时更新外观模型，可高效地在 150 FPS 上追踪物体及应对瞬时遮挡。

    May, 2017

  • 在线动作检测的时序循环网络

    本文提出了一种新颖的框架 Temporal Recurrent Network (TRN) 来模拟视频帧的时间上下文，在线执行行动检测并预测即将发生的行动，实现了累积历史证据和预测未来信息相结合的在线识别方式，并在 HDD、TVSeries 和 THUMOS'14 三个数据集上进行评估，表明 TRN 的性能显著优于现有技术。

    Nov, 2018

  • 广义行人轨迹预测的循环对齐网络

    通过使用循环对齐方法以及社交互动，我们提出了一个适用于各种未知领域的泛化行人轨迹预测模型，并在实验中展示出了其卓越的普适能力。

    Mar, 2024

  • 面向视觉物体跟踪的空间监督循环卷积神经网络

    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

  • 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

  • 利用循环神经网络进行端到端跟踪和语义分割

    该论文介绍了一个基于循环神经网络的新型端到端框架，用于在复杂、动态且仅部分可观测的现实环境中跟踪和分类机器人的周围环境，并通过少量标记的数据使网络精通语义分类任务。

    Apr, 2016

  • ROAM: 循环优化跟踪模型

    本文提出了一种基于响应生成和边界框回归的跟踪模型，利用尺寸可调卷积滤波器适应对象的形状变化，同时利用离线训练的循环神经优化器在元学习环境中更新跟踪模型，从而提高更新速度并实现更好的性能。实验证明该方法在多项基准测试中表现优异。

    Jul, 2019

  • RATM: 循环注意力跟踪模型

    本研究提出了一种基于注意力机制的模块化神经框架，可应用于计算机视觉领域中的目标跟踪任务，并在三个数据集上进行了实验验证，在挑战性的跟踪数据集上表现优异。

    Oct, 2015

  • 上下文问题：用递归神经网络提升视频中的物体检测

    该论文提出了一种新的框架，通过捕捉时间空间和鼓励预测一致性来提高视频中的目标检测表现，并融合了强、弱监督的训练方式和平滑性惩罚，提高了 Youtube-Video Objects 数据集上的平均精度（mAP）。

    Jul, 2016