Apr, 2018

使用深度学习进行用户定义特征的无标记跟踪

PDF
TL;DR通过深度神经网络的迁移学习方法，本论文提出了一种高效的无标记跟踪方法，可以在不同的实验环境中跟踪动物不同的身体部位，尤其在少量训练数据的情况下也能获得很好的跟踪效果。
发现论文，激发创造
  • 人类和机器中的无需重新识别追踪

    研究深度神经网络在视觉追踪中是否具有物体外观和运动特征模拟的能力，并提出了一种追踪对象基于动态线索电路模型，并将之加到基于转换器的体系结构进行追踪，使其具有更好的普遍性和鲁棒性。

    May, 2021

  • 神经科学动物行为测量的深度学习工具

    本文讨论了计算机视觉的近期进展，特别是采用新的深度学习方法来实现动物行为的姿态估计，认为这些工具将快速改变实现现实世界神经科学的形势。

    Sep, 2019

  • 基于超像素分割的 3D 地标跟踪器，用于神经科学和生物力学研究

    本文介绍了一种使用 SLIC 超像素方法进行标记分割的方法，使得对跑步啮齿动物的运动学分析变得更加准确、自动化，并最终实现对标记的 95% 正确分割。

    Nov, 2017

  • 无监督深度表示学习用于实时跟踪

    提出了一种无监督学习方法，基于 Siamese 相关滤波网络，在前向追踪和反向追溯之间进行一致性测量来训练视觉跟踪器，并提出了多帧验证方案和一种成本敏感的损失来促进无监督学习，该方法在速度上达到实时水平，在不使用昂贵标记数据的情况下，实现与现有标准跟踪器相当的准确度，而且在使用更多未标记或弱标记数据的情况下，该方法有进一步提高跟踪精度的潜力。

    Jul, 2020

  • 通过动画跟踪：多物体注视跟踪的无监督学习

    提出了一种称为 “Tracking-by-Animation” 的跟踪框架，通过利用可微分的神经模型对多个对象进行跟踪，并在重构帧中动画化这些对象，从而实现了无需标记数据的端到端 MOT 学习。同时进一步提出了优化数据关联的 “Reprioritized Attentive Tracking” 模型。

    Sep, 2018

  • 无监督皮肤特征跟踪深度神经网络

    使用卷积自编码器进行人脸特征追踪，无监督学习方法在不同运动条件下表现出优异的追踪精度和卓越的特征描述子，比传统和最新的监督学习方法更具优势。

    May, 2024

  • 无需标记的抓取捕获

    研究了通过使用最新的二维手姿势估计技术和优化技术进行的无标记算法来捕捉手抓握物体的过程，此算法也可以详细地捕捉手 - 物体接触并将其集成进抓握捕捉过程中。

    Jul, 2019

  • 无监督深度跟踪

    该论文提出了一种无监督视觉跟踪方法，使用 CNN 模型和监督学习相反，采用大规模未标记视频进行无监督训练，采用多帧验证方法和成本敏感损失来促进无监督学习，取得了与完全监督追踪器相当的基准精度，同时展示了利用未标记或弱标记数据进一步提高跟踪精度的潜力。

    Apr, 2019

  • 使用前向神经网络进行无外貌目标跟踪的挑战

    介绍一项用于挑战深度神经网络的视觉测试 $ extit {PathTracker}$，揭示深度卷积神经网络在处理带有障碍物或远距离运动的物体运动路径时的盲点，期待类似于生物视觉的外观无关物体跟踪策略能解决深度神经网络的这一瓶颈。

    Sep, 2021

  • 带可见状态的边界框注释

    提出了一种通过移动相机进行捕捉的自动化注释方法，并通过游戏化应用程序特性来捕获多视图图像数据集，降低了人们的心理负担和时间压力，从而增加了参与度。

    Apr, 2023