Aug, 2019

面向边界效应的无人机视觉跟踪：在线加强背景学习和多帧一致性验证

PDF
TL;DR提出了一种使用在线增强背景学习的新型追踪器，其中密集提取了真实背景样本，引入了空间惩罚以抵消更多背景信息引入的噪声，同时提取卷积特征以提供更全面的物体表现形式，并在 100 个具有挑战性的无人机图像序列上进行了彻底的实验，证明其达到了最先进的性能。
visual object trackingcorrelation filtersunmanned aerial vehiclesbackground learningconvolutional features
发现论文，激发创造
  • AutoTrack：面向自动时空正则化的无人机高性能视觉跟踪

    提出了一种自适应在线学习以提高无人机（UAV）目标跟踪和定位的方法，该方法通过引入空间本地响应地图变化作为空间正则化，并使用全局响应地图变化来确定滤波器的更新速率，优于基于 CPU 和 GPU 的跟踪器，速度为每秒约 60 帧，具有较高的有效性和多功能性。

    Mar, 2020

  • 基于视觉的无人机感知系统实时航空目标定位与跟踪

    文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题，提出了一种实时的对象定位和跟踪策略，将对象检测和跟踪有效地集成到动态卡尔曼模型中，并使用卡尔曼滤波提供对象状态的粗略预测，而无需对其进行手动初始化，具有比同类技术更快的运行速度和竞争性的跟踪性能。

    Mar, 2017

  • 学习基于背景感知的相关滤波器进行视觉追踪

    本文提出一种背景感知的基于关联滤波的目标跟踪算法，相比其他基于深度学习范式的跟踪器，经过多个跟踪基准的大量实验表明，我们的方法具有卓越的准确性和实时性，同时保持计算效率。

    Mar, 2017

  • 无人机基准测试：目标检测和跟踪

    本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

    Mar, 2018

  • 学习被抑制的异常相关滤波器，用于实时无人机跟踪

    提出了一种抑制检测过程中异常情况的方法，即抑制异常相关滤波器（ARCF），通过对检测阶段生成的响应图的变化速率进行限制，ARCF 跟踪器可以明显抑制异常情况，并因此具有更强的鲁棒性和准确性，可进行 UAV 目标跟踪，在 243 个具有挑战性的图像序列上验证了该跟踪器的性能，表现出比其他 20 个 DCF 和基于深度学习的框架更优越的性能，并可以满足实时应用的速度要求。

    Aug, 2019

  • 运用边缘检测和神经网络来改善无人机定位

    该论文提出了一种新的方法，用于在缺乏全球导航卫星系统（GNSS）的环境中对无人机进行地理定位。通过预处理图像以提取边缘信息，可以显著提高 UAV 地理定位方法的性能，并增强对方向和高度不准确性的鲁棒性。此外，引入了一种用于本地化的置信度标准，并通过合成实验验证了相关发现。

    Apr, 2024

  • 确保无人机安全：基于视觉信息的实时碰撞避免框架，通过目标检测、跟踪和距离估计

    使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。

    May, 2024

  • 证据探测和跟踪协作：强韧反无人机系统的新问题、基准和算法

    本文提出一个新的反无人机问题，即在没有无人机先前信息的复杂环境中感知无人机，为此我们提出了最大的无人机数据集 AntiUAV600 和新的评估指标，并开发了一种新颖的反无人机方法来解决该问题。

    Jun, 2023

  • 基于视觉的复杂背景和雨天下的无人机检测

    本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。

    May, 2023

  • 长期图像边界预测

    研究了边界估计和预测未来未观察到帧的边界能力，结合直观物理的概念，通过自然视频帧和合成序列的实验，发现 rgb 融合和边缘预测能够促进 rgb 预测的提升。

    Nov, 2016