本文提出一个在线模块,带有离线 siamese 网络中的注意机制,用于提取基于 L2 误差下的目标特定特征。我们进一步提出了适应性的滤波器更新策略以处理背景噪声和模板更新策略以处理大目标形变,其在三个 siamese 基线上的持续改进中得到了显着有效性验证,并且基于 SiamRPN++ 的模型在六个受欢迎的跟踪对比基准中获得了最佳结果,可以超出实时操作。
Sep, 2019
本文提出了一种基于深度学习的新方法,用于基于视觉的单目标跟踪,该方法结合了卷积神经网络和贝叶斯损失层,提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上,该跟踪器达到了最先进的跟踪结果。
Jul, 2016
提出了一种基于 Siamese 匹配网络和元学习网络的新型在线视觉跟踪框架,其运行速度非常快。该算法利用元学习网络提供目标对象的新外观信息,通过添加目标感知特征空间,消除了在跟踪中不断解决复杂优化任务的必要性。在保持与其他最先进的跟踪算法相当的性能的同时,实验结果证明我们的算法运行速度是实时的。
Dec, 2017
本文关注于学习一种能够识别语义背景干扰的 Siamese 追踪网络,提出了一种有效的训练策略和增量学习模块,同时引入局部到全局搜索策略,实现了在多个数据集上的显著表现。
Aug, 2018
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
本研究提出了一种基于联合推理网络的轨迹外观模型,有效解决了在多目标跟踪中应对高维度外观信息的问题,且在识别目标与观测匹配以及保持目标的一致性方面具有重要贡献。
Jul, 2019
本文提出一种新颖的方案来学习目标感知特征,用于视觉跟踪,并将目标感知特征与孪生匹配网络相结合,实现与最先进技术相比精度和速度均有优异表现。
Apr, 2019
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
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
本研究提出了一种利用单个卷积神经网络(CNN)实现在纯在线模式下学习目标对象有效特征表示的高效且非常强大的跟踪算法,其利用一种新颖的截断结构损失函数、稳健的样本选择机制和一种懒但有效的更新算法,使 CNN 在视觉跟踪中对遮挡或错误检测等难以处理的问题具有鲁棒性,在实验中,与现有跟踪器相比,该算法可以提高性能。
Feb, 2015