CVPRJan, 2018

深度自适应计算策略用于高效视觉跟踪

PDF
TL;DR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。
video object trackingconvolutional neural networksdepth-adaptive convolutional siamese networkparametric gating functionscomputational cost
发现论文，激发创造
  • 深度特征级联自适应跟踪策略学习

    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

  • 全卷积孪生网络用于目标跟踪

    使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

    Jun, 2016

  • 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

  • SiamVGG：使用深度孪生网络进行视觉跟踪

    本篇研究提出了一种能够追踪物体的算法 SiamVGG，通过结合使用 Deep Neural Network 和 Convolutional Neural Network 技术以及 Cross-correlation 算子，可以在保证较高跟踪精度的同时达到较好的实时性能。

    Feb, 2019

  • SiamRPN++：使用非常深的网络演变的孪生视觉跟踪

    研究者通过理论分析和实验证明了 Siamese trackers 缺乏严格的平移不变性，为此提出了一种用于改善性能的有效的空间感知采样策略。通过进行广泛的消融研究，该模型在四个跟踪基准中获得了最佳结果，包括 OTB2015、VOT2018、UAV123 和 LaSOT。

    Dec, 2018

  • 基于卷积神经网络的稳健视觉跟踪

    本文提出了一种新的基于卷积神经网络的目标跟踪方法，使用简单的两层卷积神经网络进行在线适应学习，能够生成鲁棒性较强的目标表示，并在 CVPR2013 数据集上的 50 个挑战性视频中表现优异。

    Jan, 2015

  • 目标感知深度追踪

    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

  • 双深度网络视觉跟踪

    本文提出了一个用于视觉跟踪的双网络模型，利用不同深度网络层次上的结构进行层次特征的提取，通过层次特征和边缘检测器相结合，进一步嵌入目标周围局部细节，并对其进行在线更新和独立分量分析，实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明，所提出的算法具有很好的性能。

    Dec, 2016

  • 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

  • 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