基于判别模型的跟踪学习特征嵌入
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
本研究提出了一种深浅特征学习网络 DSNet,通过 MSC 特征的学习,利用任何基于 DCF 的方法进行有效的在线追踪,同时可显著提高跟踪速度。
Nov, 2018
本文提出了 CREST 算法,将判别性相关滤波器(DCFs)改进为一层卷积神经网络,将特征提取、响应图生成和模型更新集成进神经网络进行端到端训练,通过残差学习来考虑外观变化以减少模型退化。实验结果表明,我们的 CREST 跟踪器在基准数据集上表现优异。
Aug, 2017
提出了一种用于视觉对象跟踪的新的基于群组特征选取的判别相关滤波 (GFS-DCF) 方法。该方法能够跨越通道和空间维度进行群组特征选取,重点在于确定多通道特征对过滤系统的结构相关性。此外,我们的 GFS-DCF 能够实现联合特征选取和过滤器学习,实现了学习滤波器的增强辨别和可解释性。在实验结果上,我们的 GFS-DCF 在 OTB2013、OTB2015、VOT2017、VOT2018 和 TrackingNet 上均表现优异,超越了现有的跟踪器。
Jul, 2019
通过引入卷积算子、压缩模型、限制更新策略等,本文提出了一种性能更优,速度更快的基于判别相关滤波的视觉跟踪方法。通过基准测试,证明该方法比当前优秀算法具有更好的性能表现,并且可以在单个 CPU 上进行实时跟踪。
Nov, 2016
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
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
本篇论文提出了一种基于核化多分辨率卷积网络的通用视觉目标跟踪方法,该方法采用层次响应图直接输出目标运动轨迹,并在无需任何权重调节的情况下,在挑战性无人机跟踪数据集上表现出色,同时开启了在端到端时序深度学习框架中进行视觉追踪的可能性。
Aug, 2017
本文提出了一种卷积回归框架(Convolutional Regression framework),并采用梯度下降法(Gradient Descent)对一个仅输出单通道的卷积层进行优化,以解决视觉物体跟踪的线性回归问题。相较于基于切片生成合成样本的区别相关滤波(Discriminatively Learned Correlation Filters,DCF),“卷积回归框架” 可以利用整个图像剪裁出的所有实际样本进行跟踪,同时还提出了新的 “自动化难反例挖掘(Automatic Hard Negative Mining)” 方法来排除容易算法的反例以提升跟踪效果。在广泛使用的 100 个序列中进行了大量实验,结果表明该算法实现了卓越的性能,并优于几乎所有现有的基于 DCF 的算法。
Nov, 2016
本文提出了一种新的 DCF 跟踪方法,通过自适应的空间特征选择和时间一致性约束实现联合空间时间滤波器学习,在更低维的判别性流形中学习具有历史约束的滤波器,并提出了统一的优化框架来联合选择特征和学习判别性滤波器,并在多个公共数据集中进行了实验,结果表明该方法优于基准的跟踪方法。
Jul, 2018