Feb, 2019

SiamVGG：使用深度孪生网络进行视觉跟踪

PDF
TL;DR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。
deep neural networkvisual trackingsiamvggconvolutional neural networkreal-time performance
发现论文，激发创造
  • SiamRPN++：使用非常深的网络演变的孪生视觉跟踪

    研究者通过理论分析和实验证明了 Siamese trackers 缺乏严格的平移不变性，为此提出了一种用于改善性能的有效的空间感知采样策略。通过进行广泛的消融研究，该模型在四个跟踪基准中获得了最佳结果，包括 OTB2015、VOT2018、UAV123 和 LaSOT。

    Dec, 2018

  • 深度和广度更大的连体网络，用于实时视觉跟踪

    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

  • SiamCAR: Siamese 全卷积分类和回归用于视觉追踪

    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

  • 分阶段深度相关和特征融合用于孪生物体追踪

    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

  • 用判别滤波器和孪生网络进行视觉物体追踪：一项调查和展望

    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

  • 全卷积孪生网络用于目标跟踪

    使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

    Jun, 2016

  • 相关感知的深度跟踪

    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

  • 深度自适应计算策略用于高效视觉跟踪

    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

  • Siam R-CNN：通过重新检测进行视觉跟踪

    提出了一种名为 Siam R-CNN 的新的物体追踪方法，使用两阶段物体检测的方法，结合基于轨迹的动态规划算法，实现追踪决策的优化和长时间遮挡状态下物体的再检测，并通过硬样本挖掘提高其鲁棒性。该方法在十个追踪基准数据集中表现最佳，尤其适用于长时间的追踪。

    Nov, 2019

  • 适应性孪生盒网络用于视觉跟踪

    通过利用完全卷积网络的表达能力，将视觉跟踪问题视为并行分类和回归问题，避免了与候选框相关的超参数，使得 SiamBAN 更具灵活性和通用性。在包括 VOT2018、VOT2019、OTB100、NFS、UAV123 和 LaSOT 的视觉跟踪基准测试中进行了广泛实验，证明了 SiamBAN 的高效性和有效性。

    Mar, 2020