RGB-T 对象跟踪:基准与基线
本研究旨在构建一个高度多样化的可见热(RGB-T)无人机跟踪(VTUAV)基准,包括 500 个序列和 170 万帧对,以及设计了一个名为 Hierarchical Multi-modal Fusion Tracker (HMFT) 的新的 RGB-T 基准,该基准可以在各个级别上融合 RGB-T 数据。
Apr, 2022
该文提出了一个名为 VT5000 的新 RGBT 图像数据集,包括 5000 个具有地面实况标注的空间对齐的 RGBT 图像对。 该文介绍了一种基于多级特征和注意机制的强大基线方法,用于准确的 RGBT 显著目标检测,并在 VT5000 数据集和其他两个公共数据集上优于现有技术水平。
Jul, 2020
通过综合不同模态的输入方式,构建了一个适用于 RGB-T 图像的数据集,并提出了一种新的方法:多任务流形排序与跨模态一致性,大大提高了图像显著性检测的性能。
Jan, 2017
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
本文提出了两种用于 RGB-T 目标跟踪的视觉关注机制,其中包括利用 RGB 和热感数据的局部关注和多模态目标驱动关注估计网络的全局关注。在两个 RGB-T 基准数据集上的实验验证了我们提出算法的有效性。
Aug, 2019
通过可见光图像和红外热图像的融合进行物体跟踪的 RGB-T 跟踪,通过交叉模态相互提示学习的新型两流 RGB-T 跟踪架构,将此模型作为教师指导单流学生模型,通过知识蒸馏技术实现快速学习,实验证明与类似的 RGB-T 跟踪器相比,我们设计的教师模型达到了最高的精确度,而具有相当精确度的学生模型实现了比教师模型快三倍以上的推理速度。
Mar, 2024
本文提出了一种基于混合注意机制的 RGB-T 追踪器 (MACFT),该追踪器在特征提取和特征融合阶段分别利用不同的转换器骨干支路和混合注意操作实现多模式适应性融合,有效提高了 RGB-T 追踪的鲁棒性和适用性。
Apr, 2023
本文构建了第一个大规模的多类别可见 - 热红外小目标检测(RGBT SOD)基准数据集(RGBT-Tiny),包括 115 对序列,93K 帧和 1.2M 标注,同时提出了一种适应尺度的健康度量标准(SAFit),并进行了广泛的评估。
Jun, 2024
为解决多模态保证(MMW)情景中 RGBT 跟踪失败的问题,本文提出了一个新的基准数据集 MV-RGBT,该数据集针对 MMW 情景进行了捕捉,并提出了一种名为 MoETrack 的基线融合策略,该方法在 MV-RGBT 和其他标准基准上取得了新的最佳结果。
Apr, 2024
提出了一种通过联合建模外观和运动线索的新型 RGB-T 跟踪框架,利用先进的融合方法并引入跟踪切换机制使其性能显著优于其他同类算法。
Jul, 2020