Nov, 2018

使用强化学习进行视觉追踪的相关滤波器选择

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 联合判别和可靠性学习的相关跟踪

    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

  • 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

  • 长短期记忆自适应相关滤波器用于目标跟踪

    提出了一种学习多个自适应关联滤波器的方法，同时具有目标外观的长期和短期记忆，以实现强大的物体跟踪，在大规模基准数据集上表现优异，尤其在效率、准确性和鲁棒性方面均优于现有的技术方法。

    Jul, 2017

  • 基于深度强化决策的实时视觉跟踪

    该研究提出了一种基于深度强化学习方法构建的模板选择策略的实时视觉追踪算法，该算法可有效应对模型更新导致的跟踪偏移问题，可在实时速度下以 43fps 跑动。

    Feb, 2017

  • 视频视觉目标跟踪的深度强化学习

    本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

    Jan, 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

  • 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

  • 基于相关性学习的多目标跟踪

    本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力，从而在多目标跟踪方面取得了最先进的效果，并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。

    Apr, 2021