CVPRApr, 2018

联合判别和可靠性学习的相关跟踪

PDF
TL;DR本文提出了一种新的基于相关滤波器的优化问题，联合建模区分度和可靠性信息用于视觉跟踪，其中包括滤波器的基本成分和可靠性项，以及局部相应一致性正则项以强调不同区域的平等贡献。实验结果表明，我们的跟踪器表现优于其他同类跟踪器。
visual trackingcorrelation filterreliability learningoptimizationlocal response consistency
发现论文，激发创造
  • 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

  • 学习基于背景感知的相关滤波器进行视觉追踪

    本文提出一种背景感知的基于关联滤波的目标跟踪算法，相比其他基于深度学习范式的跟踪器，经过多个跟踪基准的大量实验表明，我们的方法具有卓越的准确性和实时性，同时保持计算效率。

    Mar, 2017

  • 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

  • 视觉跟踪的相关良好特征

    本文提出了一种用于视觉目标跟踪的深度全卷积特征学习方法，该方法使用基于网络的反向传播算法，并在性能分析中取得了较好的结果。

    Apr, 2017

  • 实时视觉跟踪：提高相关滤波器学习的鲁棒性

    本研究提出了三种稀疏度相关的损失函数，通过利用滤波器响应的各向异性提高相关滤波学习的鲁棒性，从而实现了三种实时跟踪器。大量实验证明了所设计的损失函数显著提高了相关滤波的鲁棒性，并揭示了不同损失函数对跟踪性能的影响，从而为设计鲁棒的相关滤波器提供了实用参考标准。

    Aug, 2016

  • 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

  • 使用强化学习进行视觉追踪的相关滤波器选择

    通过更新并维护多个相关性滤波器模型，并使用深度强化学习选择最佳相关滤波器模型，在处理目标外观建模的决策过程中利用决策网络，本文提出了一种解决相关滤波器更新问题的新方法，在 OTB100 和 OTB2013 基准测试上得到了较好的表现，达到了 62.3％的平均成功率和 81.2％的平均精度得分，超过了传统相关滤波器的跟踪器的表现。

    Nov, 2018

  • 基于相关滤波跟踪的端到端表示学习

    本文是第一篇将相关滤波器作为可微分层在深度神经网络中进行应用的研究工作，该方法可以学习与相关滤波器紧密耦合的深度特征，实现高帧率状态下轻量级架构实现最新性能。

    Apr, 2017

  • 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

  • 基于核化相关滤波的高速跟踪

    提出一种基于离散傅里叶变换的基于样本的辨别分类器优化方法，用于改进现代跟踪器并取得更好的结果。

    Apr, 2014