Nov, 2018

通过视角特定的判别性相关滤波器重建实现物体跟踪

PDF
TL;DR该研究提出了一种新的长期 RGB-D 跟踪器 - 通过重构物体实现的目标跟踪 (OTR)，通过进行在线 3D 目标重建，完成强健学习一组视图特定的相关性筛选器 (DCFs) 以实现跟踪目标，经过对 Princeton RGB-D 跟踪和 STC 基准测试的广泛评估，发现 OTR 在大幅度优于现有技术水平。
发现论文，激发创造
  • DAL -- 深度感知的长期跟踪器

    本文提出了基于深度感知的长期 RGBD 追踪算法，通过将深度信息嵌入到深度相关滤波器中，并用于目标重新检测，实现了与当前最先进 RGBD 追踪算法相当甚至更好的性能，运行速度达 20fps。

    Dec, 2019

  • 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

  • 超越相关滤波器：学习连续卷积算子用于视觉跟踪

    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

  • TrackAgent: 通过强化学习进行 6D 物体追踪

    追踪物体的六维姿态，在物体本身或观察相机移动时，对许多机器人学和增强现实应用非常重要。在跟踪任务的严格时间限制下，我们提出了将物体追踪简化为加强点云（仅深度）对齐任务的方法。

    Jul, 2023

  • 可变形部件相关滤波器用于鲁棒视觉跟踪

    我们提出了一种新的 constellation 模型配合相关滤波器的公式，用于追踪目标并处理非刚性物体变形和自遮挡问题。我们设计了两个级别的模型来逼近目标位置，经过高难度测试表明本方法能达到最先进表现且实时运行。

    May, 2016

  • 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

  • 使用 RGB-D 序列在多个对象跟踪中看到物体背后

    本文提出了一种基于 RGB-D 视频序列的多目标跟踪方法，通过联合推断目标的完整几何形状和跟踪它们来提高跟踪的稳健性，通过人工构建目标的视状图像，得到相同实例之间的额外对应关系，从而提高了跟踪的鲁棒性。实验结果表明该方法在动态目标跟踪方面取得了 state-of-the-art 的性能。

    Dec, 2020

  • AutoTrack：面向自动时空正则化的无人机高性能视觉跟踪

    提出了一种自适应在线学习以提高无人机（UAV）目标跟踪和定位的方法，该方法通过引入空间本地响应地图变化作为空间正则化，并使用全局响应地图变化来确定滤波器的更新速率，优于基于 CPU 和 GPU 的跟踪器，速度为每秒约 60 帧，具有较高的有效性和多功能性。

    Mar, 2020

  • 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

  • 学习被抑制的异常相关滤波器，用于实时无人机跟踪

    提出了一种抑制检测过程中异常情况的方法，即抑制异常相关滤波器（ARCF），通过对检测阶段生成的响应图的变化速率进行限制，ARCF 跟踪器可以明显抑制异常情况，并因此具有更强的鲁棒性和准确性，可进行 UAV 目标跟踪，在 243 个具有挑战性的图像序列上验证了该跟踪器的性能，表现出比其他 20 个 DCF 和基于深度学习的框架更优越的性能，并可以满足实时应用的速度要求。

    Aug, 2019