SiamRPN++:使用非常深的网络演变的孪生视觉跟踪
本文提出了使用新型残差模块和控制尺寸和步幅的新型架构的方法来增强追踪鲁棒性和准确性,并在 SiamFC 和 SiamRPN 中应用这些架构,从而获得了统计显著的相对改进。
Jan, 2019
该研究提出了一种使用全卷积孪生网络以像素级方式解决视觉跟踪问题的方法,其中包括特征提取和边界框预测两个子网络,不需要基于区域建议,能够更简单、更准确地进行目标跟踪。
Nov, 2019
本篇研究提出了一种能够追踪物体的算法 SiamVGG,通过结合使用 Deep Neural Network 和 Convolutional Neural Network 技术以及 Cross-correlation 算子,可以在保证较高跟踪精度的同时达到较好的实时性能。
Feb, 2019
本文提出了一种基于级联区域建议网络和 Siamese 跟踪的多级跟踪框架,其中每个区域建议网络利用前一阶段的区域建议网络的输出进行训练,采用多任务损失函数进行端到端的训练,并在多个数据集上实现了优异的跟踪效果。
Dec, 2018
本文介绍了一种基于分类的思路来简化 Siamese 追踪器,并通过视觉模拟和实际跟踪示例对其进行了深入分析,提出了一种使用决策样本的紧凑潜在网络来快速调整基础模型,以及一种新的多样化样本挖掘策略来进一步提高所提出的网络的区分能力,在多个数据集上进行的大量实验结果表明,所有三种调整的追踪器在精度和高运行速度方面均获得了卓越的性能。
Feb, 2023
这篇论文介绍了 Siamese Transformer Pyramid Network(SiamTPN)方法,该方法结合了 CNN 和 Transformer 的优势,并针对移动平台的计算资源有限的情况,构建了一个稳健的、针对目标的外观模型。实验结果表明,该方法在高速操作时取得了竞争性的结果,且在 LaSOT 数据集上的 AUC 得分为 58.1%。
Oct, 2021
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
我们提出了一种基于自注意力 / 交叉注意力的目标依赖特征网络,通过深度嵌入多层特征的交叉图像特征相关性,抑制了非目标特征,从而实现了实例变化的特征提取,在不需要额外的相关步骤的情况下可以直接用于预测目标位置,且可以灵活地在丰富的无配对图像上进行预训练,实现了较快的收敛速度和最先进的实时跟踪性能。
Mar, 2022
本文提出了一种用于视觉跟踪的新方法,通过使用卷积神经网络来学习下一帧的目标模板,从而提高现有 Siamese 方法的效果。经过在多个数据集上的实验证明,这种模型可以有效地定位目标并提高跟踪的准确率。
Aug, 2019
本研究提出了一种深度自适应的卷积 Siamese 网络,使用参数门控函数控制卷积的深度以平衡跟踪精度和计算成本,在 VOT2016 基准测试上取得了可比较的精度。同时,对比传统的固定结构神经网络,在给定计算成本下取得了更高的精度,该框架可以在卷积神经网络的其他任务中使用,并使运行时的速度与准确性交换。
Jan, 2018