Apr, 2018

用于红外物体追踪的大边界结构化卷积算子

PDF
TL;DR本文提出了一种利用大边界结构卷积算子 (LMSCO)、空间规则化和隐式插值获取持续深特征图实现 TIR 物体追踪的方法，并通过协作优化策略得到新的操作符，继承 SOSVM 强大辨识能力优势，使用高维特征和更密集样本实现准确、鲁棒性高的 TIR 物体追踪，该方法在两个热红外追踪基准测试中具有出色的结果，在准确性和鲁棒性方面优于大多数最先进的追踪器，帧速度足够
tir object trackingstructured output support vector machinediscriminative correlation filterdeep feature mapscollaborative optimization strategy
发现论文，激发创造
  • 热红外物体跟踪的深度多层相似度学习

    本研究提出一种多层相似性模型来提高红外物体跟踪的辨别能力，其中利用了卷积层计算 TIR 对象的全局语义相似度和本地结构相似度，通过一种相对熵的集成子网络进行集成，并构建了大规模 TIR 视频序列数据集以优化算法效果。

    Jun, 2019

  • 用循环特征图进行大边界目标跟踪

    提出了一种高速物体追踪方法，同时结合多模态目标检测技术和反馈机制以提高目标追踪精度，基于两种特征表达方式验证了算法的强兼容性，实验证明该方法在挑战性测试序列中表现优异且每秒超过 80 帧。

    Mar, 2017

  • 基于层次空间感知的热红外目标暗示网络

    本文提出了一种热红外跟踪器，命名为 HSSNet，它使用层次空间感知 Siamese 卷积神经网络来验证相似性并生成更强的可辨别能力，与其他方法相比，在 VOT-TIR 2015 和 VOT-TIR 2016 基准测试上取得了较好的性能表现。

    Nov, 2017

  • 热红外追踪的多任务驱动特征模型

    该论文提出了一种基于多任务学习的框架，学习适用于红外追踪的特征模型，并使用大规模红外训练数据集来优化该模型。在三个基准测试中，实验结果表明，该算法的相对增益达到 10％，表现优于现有的方法。

    Nov, 2019

  • LSOTB-TIR: 大规模高多样性热红外物体跟踪基准

    本文介绍了一个大规模高多样化的热红外物体跟踪基准测试，名为 LSOTB-TIR。该数据集包含 1400 个 TIR 序列和超过 600K 帧。我们定义了 4 种情景属性和 12 种挑战属性来评估跟踪器，鼓励社区开发基于深度学习的 TIR 跟踪器并进行全面公正的评估。在 LSOTB-TIR 上评估和分析了 30 多个跟踪器提供一系列基线，并且结果表明，深度跟踪器具有良好的性能。该数据集和代码均已公开发布。

    Aug, 2020

  • EANet：增强的基于属性的 RGBT 跟踪器网络

    提出了一种深度学习的图像跟踪方法，将 RGB 图像和红外热像合并进行特征提取和人工属性应用的跟踪，此方法在 RGBT234 和 LasHeR 这两个最广泛使用的 RGBT 目标跟踪数据集上表现优异。

    Jul, 2023

  • 热红外跟踪的无监督跨模态蒸馏

    本研究提出利用跨模态蒸馏技术从大量无标签 RGB-TIR 数据中提炼 TIR 模态的目标表示，作为热红外追踪的优化方法，并利用 RGB 和 TIR 图像中的语义信息进行 “蒸馏损失” 的监督学习，成功地推广到 LSOTB-TIR 和 PTB-TIR 数据集中，比基线跟踪器的绝对增益显著。

    Jul, 2021

  • 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

  • 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

  • 端到端热红外跟踪的合成数据生成

    使用图像到图像翻译模型，将可得的 RGB 数据转换成合成 TIR 数据用于 TIR 跟踪中的端到端特征的训练，并在 VOT-TIR2017 数据集上进行实验，发现相对于仅训练可得真实 TIR 数据或人工构建特征的方法，使用合成数据进行训练可以显著提高跟踪性能且通过与运动特征的结合可以进一步改进。

    Jun, 2018