Jul, 2019

旋转边界框快速视觉目标跟踪

PDF
TL;DR本文提出了一种新的算法，使用椭圆拟合来估计带有分割（掩膜）的目标的边界框旋转角度和大小，即 SiamMask_E 算法，在保持快速跟踪帧率 (80 fps) 的前提下，改善了现有 SiamMask 算法的边框拟合过程。在使用旋转边框标记的视觉对象跟踪数据集上测试，与原始 SiamMask 相比，我们实现了 0.652 和 0.309 的提升 EAO 的精度，在 VOT2019 上分别比原始 SiamMask 高 0.056 和 0.026。
ellipse fittingbounding box rotationreal-time visual object trackingsegmentationsiammask_e
发现论文，激发创造
  • 快速在线物体跟踪和分割：一种统一的方法

    该研究介绍了一种名为 SiamMask 的方法，可实现单个简单方法的实时视觉对象跟踪和半监督视频对象分割。 在实时操作过程中，SiamMask 仅依赖于单个边界框初始化，以每秒 55 帧的速度产生类不可知对象分割掩模和旋转边界框。 该方法在 VOT-2018 实时跟踪器中实现了新的最新技术，同时在 DAVIS-2016 和 DAVIS-2017 的半监督视频对象分割任务中提供了最佳速度和最佳性能。

    Dec, 2018

  • 基于孪生网络的视觉目标跟踪器匹配优化

    在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决 Siamese 网络追踪器的旋转和背景干扰问题，并提出了一个名为 Siam-BM 的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在 VOT2017 数据集上的评估表明，Siam-BM 实现了 0.335 的 EAO，这使其成为迄今为止表现最佳的实时追踪器。

    Sep, 2018

  • 基于分割的鲁棒视觉跟踪

    本文提出了一种基于分割的跟踪器，通过分割掩码来描述目标，相较于边框，在形状和对齐上更加精确，并且引入了一个独立的实例定位组件用于提高跟踪的鲁棒性，最终在挑战的数据集上取得了 69.7% 的成功率。

    Mar, 2022

  • 学习可旋转边界框的旋转不变检测器

    提出了一种新的检测方法，应用了新定义的可旋转边界框（RBox），该方法可以有效地处理目标物体方向角任意的情况，并可以通过正确学习物体的正确方向角来实现旋转不变性。与基于传统边界框的方法相比，DRBox 在检测汽车、船舶和飞机的卫星图像方面表现更好，并且对输入图像和目标物体进行旋转更加稳健且能够正确输出其方向角，从而有助于高效定位多角度目标。

    Nov, 2017

  • 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

  • Alpha-Refine: 通过精确的边界框估计提高跟踪性能

    本研究提出了一种名为 Alpha-Refine (AR) 的新型、灵活、准确的细化模块，它显著提高了基本跟踪器的框估计质量，通过采用像素级相关、角预测头和辅助掩码头作为核心组件，AR 引导的 DiMP-super 在实时速度下实现了非常有竞争力的性能。

    Dec, 2020

  • BoLTVOS: 视频对象分割的基于边框的跟踪

    本文提出了一种从边界框级别追踪开始的视频对象分割方法，该方法包括一个基于 R-CNN 的检测器、一个时间一致性重新评分算法，以及将边界框转换为分割掩模的 Box2Seg 网络。在 DAVIS 2017 和 YouTube-VOS 数据集上的实验表明，该方法优于所有未进行第一帧微调的方法。此外，该方法还得到了优化，可在不增加运行时间的情况下学习跟踪过程中对象的分割，且运行速度比先前最好的 VOS 方法快达 45 倍。

    Apr, 2019

  • 360VOTS：全景视频中的视觉目标跟踪与分割

    360° 全景视频中的视觉目标跟踪和分割是挑战性的，该论文提出了一种新的扩展视野边界表示方法，用于目标定位，并且利用该方法建立了一个适用于全景视觉目标跟踪和分割任务的通用框架。此外，论文还介绍了一个全面的数据集和基准测试集，用于开发和评估该领域的算法。经过广泛的实验，论文评估了最先进的方法，证明了提出的 360° 跟踪框架和训练数据集的有效性。

    Apr, 2024

  • RTrack: 通过伪框探索加速视觉目标跟踪的收敛

    本文介绍了一种名为 RTrack 的新型目标表示基准追踪器，该追踪器利用一组样本点来获取伪边界框，并自动排列这些点以定义空间范围和突出显示局部区域。我们还对训练潜力进行了深入研究，并引入了一对多的前导分配策略，该方法在 GOT-10k 数据集上实现了与最先进的追踪器竞争性性能，并将训练时间减少到了先前性能最佳追踪器的 10%。大量实验证明，我们提出的 RTrack 在更快的收敛速度下取得了最先进的结果。

    Sep, 2023

  • 一种新的边界框回归方法用于单目标跟踪

    本研究通过引入两种新的边界框回归网络（inception 和 deformable）来在目标检测中提高定位准确性，并在多个基准测试中取得了优于现有方法的表现。

    May, 2024