基于相关滤波的联合表示与截断推断学习跟踪
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。
Apr, 2018
设计了一种新的跟踪框架 MHIT,其核心在于引入运动估计模块捕捉运动信息和使用多层次深度特征和独立的相关滤波器进行跟踪,同时采用自适应的多分支相关滤波器融合方案,用于纠正特征冗余和物体局部遮挡的影响,通过实验证明,该系统可以显著提高跟踪性能,尤其是在 VOT2017 挑战赛上获得了 20.1% 的相对性能提升,并在 VOT2018 挑战赛上取得了最新的最佳表现。
Nov, 2018
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
本研究提出了一种利用单个卷积神经网络(CNN)实现在纯在线模式下学习目标对象有效特征表示的高效且非常强大的跟踪算法,其利用一种新颖的截断结构损失函数、稳健的样本选择机制和一种懒但有效的更新算法,使 CNN 在视觉跟踪中对遮挡或错误检测等难以处理的问题具有鲁棒性,在实验中,与现有跟踪器相比,该算法可以提高性能。
Feb, 2015
本文提出了一种新的混合表示学习框架,该框架可以针对流数据进行处理,其中视频中的图像帧由两个不同的深度神经网络集成模拟;一个是低位量化网络,另一个是轻量级全精度网络,前者以较低的成本学习粗略的主要信息,而后者则提供了能够还原表示的高保真度的剩余信息,所提出的并行结构是维护互补信息的有效方法,因为可以在量化网络中利用定点算术,并且轻量级模型提供了由紧凑通道修剪网络给出的精确表示,我们将混合表示技术纳入在线视觉跟踪任务,其中深度神经网络需要在实时处理目标外观的时间变化,与传统的深度神经网络实时跟踪器相比,在标准基准测试中,我们的跟踪算法表现出较高的准确性,只需很小的计算成本和内存占用。
May, 2022
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
本文提出了一种基于深度学习的新方法,用于基于视觉的单目标跟踪,该方法结合了卷积神经网络和贝叶斯损失层,提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上,该跟踪器达到了最先进的跟踪结果。
Jul, 2016
本文介绍了一个基于全卷积的在线跟踪框架,名为 FCOT,通过使用基于目标过滤器的跟踪范式,专注于启用分类和回归分支的在线学习。由于 RMG 独特的设计,我们的 FCOT 不仅更有效地处理目标在时间维度上的变化,从而生成更精确的结果,而且还克服了跟踪过程中的误差积累问题。此外,由于其设计的简单性,我们的 FCOT 可以以完全卷积的方式进行训练和部署,并具有实时的运行速度。我们提出的 FCOT 在包括 VOT2018、LaSOT、TrackingNet、GOT-10k、OTB100、UAV123 和 NFS 在内的七个基准测试中实现了最先进的性能。
Apr, 2020
本研究提出了一种递归滤波器生成方法来进行视觉跟踪,直接将目标的图像块作为输入,使用递归神经网络来生成一个特定于目标的滤波器,通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算,对目标的空间结构进行保留和内存优化。
Aug, 2017