提出了一种无监督学习方法,基于 Siamese 相关滤波网络,在前向追踪和反向追溯之间进行一致性测量来训练视觉跟踪器,并提出了多帧验证方案和一种成本敏感的损失来促进无监督学习,该方法在速度上达到实时水平,在不使用昂贵标记数据的情况下,实现与现有标准跟踪器相当的准确度,而且在使用更多未标记或弱标记数据的情况下,该方法有进一步提高跟踪精度的潜力。
Jul, 2020
该研究提出了一种新的无监督跟踪框架,通过跟踪变化明显的物体,解决了以往模板匹配无法处理较长时间跨度的问题,并通过正向和反向跟踪视频,学习了时间上的对应关系并且通过提出的一致性传播转换和不可微的区域遮盖,构建了一个可靠的特征模板,采用基于质量伪标签动态赋权值的策略,提高了学习效果,达到了 TrackingNet 和 LaSOT 等大规模数据集上有监督方法的表现水平。
Apr, 2022
本文介绍了一种使用大量未标记数据进行无监督学习的方法,通过使用数十万个未标记的 web 视频作为数据集,设计了一个具有排名损失函数的 Siamese-Triplet 网络,用于深度卷积神经网络的无监督学习,可在不使用 ImageNet 的情况下,获得 52% 的 mAP 的性能,并展示了此非监督网络在其它任务中表现出竞争性。
May, 2015
本研究介绍了一种从未标记的视频中进行无监督学习的新方法,通过引入一种面向物体的时间相干性方法来促进学习具有相似表征的物体,并在多个基准数据集上展示了与竞争无监督方法相比显著的准确度提高。
Dec, 2016
通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题,可在无需追踪监督的情况下提高多目标跟踪的性能,为跟踪领域开拓更加简单和有效的解决方案提供新思路。
Jun, 2020
本文介绍了一种利用标记图像数据和未标记视频序列学习实例跟踪网络的半监督框架,采用实例对比目标,利用学习的嵌入区分每个实例并在不同帧之间稳定地跟踪对象,并且将此模块集成到单阶段实例分割和姿态估计框架中,较之两阶段网络显著降低了跟踪的计算复杂度。无需任何视频标注努力,我们的方法可达到与大多数完全监督方法相当甚至更好的性能。
Apr, 2021
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
本文提出了一种无监督单物体追踪器(USOT),通过一套有效的无监督学习方法,从三个方面解决了现有无监督追踪器的性能瓶颈,即移动对象发现、丰富的时间变化利用和在线更新,使用无监督光流和动态规划、Naive Siamese Tracker 和循环内存学习策略三个阶段的联合训练,达到了接近监督深浅追踪器水平的性能提升,且代码开源。
Aug, 2021
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
本文研究采用卷积神经网络实现可视目标跟踪,解决应用 CNN 的瓶颈问题 - 数据不足,尝试采用离线预训练的方式进行知识迁移,该方法相比其他现有跟踪器有着显著的提高,并提出提出通过产生概率映射来跟踪目标.
Jan, 2015