本篇论文提出了一种基于核化多分辨率卷积网络的通用视觉目标跟踪方法,该方法采用层次响应图直接输出目标运动轨迹,并在无需任何权重调节的情况下,在挑战性无人机跟踪数据集上表现出色,同时开启了在端到端时序深度学习框架中进行视觉追踪的可能性。
Aug, 2017
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
本文提出了 CREST 算法,将判别性相关滤波器(DCFs)改进为一层卷积神经网络,将特征提取、响应图生成和模型更新集成进神经网络进行端到端训练,通过残差学习来考虑外观变化以减少模型退化。实验结果表明,我们的 CREST 跟踪器在基准数据集上表现优异。
本文提出一种新颖且有效的 DCFST 体系结构,用于学习在线判别式追踪器的最佳特征嵌入,集成区分性模型的求解器到卷积神经网络中,通过端到端的训练获得最优的特征嵌入,并将常见的岭回归模型应用于实例,结果表明该方法适用于类无关目标并实现了最先进的准确性,同时超过实时速度。
Jun, 2019
我们提出了一种名为 DCFFNet 的新型分阶段深度相关性和特征融合网络,用于进一步优化可视化跟踪的特征提取。我们基于孪生网络架构构建了我们的深度跟踪器,该网络从头开始离线训练,利用多个大规模数据集进行端到端训练。我们将改进的 ResNet-50 与提出的相关性融合层相结合,构成我们模型的特征提取器。广泛的实验结果表明,我们提出的方法在准确性和精度方面与许多领先的跟踪器相比具有竞争力,同时满足应用的实时要求。
Oct, 2023
本文利用连续帧中的丰富流信息,通过在网络中制定特殊层来提高特征表示和跟踪精度,提出了一种基于深度学习框架中的联合训练流和跟踪任务的方法,并且采用了新颖的空间 - 时间注意机制,对 OTB2013、OTB2015、VOT2015 和 VOT2016 四个具有挑战性的跟踪数据集进行了广泛的实验,证明所提出的方法在这些基准测试中具有优越的结果。
Nov, 2017
提出了一种用于视觉对象跟踪的新的基于群组特征选取的判别相关滤波 (GFS-DCF) 方法。该方法能够跨越通道和空间维度进行群组特征选取,重点在于确定多通道特征对过滤系统的结构相关性。此外,我们的 GFS-DCF 能够实现联合特征选取和过滤器学习,实现了学习滤波器的增强辨别和可解释性。在实验结果上,我们的 GFS-DCF 在 OTB2013、OTB2015、VOT2017、VOT2018 和 TrackingNet 上均表现优异,超越了现有的跟踪器。
Jul, 2019
该论文系统评估了 90 多个基于 DCFs 和深度 Siamese Network 的跟踪器在九个基准测试中的表现,讨论了这两种跟踪范例中相同和不同的挑战,并分析了它们的性能,最后给出了基于分析的挑战建议。
Dec, 2021
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
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