ICCVAug, 2019

高性能统一卷积网络视觉目标跟踪

PDF
TL;DR本文提出了一种端到端的框架来同时学习卷积特征并执行跟踪过程，即统一的卷积跟踪器（UCT），该跟踪器通过将特征提取器和跟踪过程都视为卷积操作进行联合训练，使得学习到的 CNN 特征与跟踪过程紧密耦合。在四个具有挑战性的跟踪数据集上进行了实验，我们的方法在保持超过实时速度的同时，在这些基准测试中实现了领先的性能。
convolutional neural networkstrackingreal-time applicationsend-to-end frameworkcnn features
发现论文，激发创造
  • UCT: 实时视觉跟踪的统一卷积网络学习

    本文提出了一种端到端的卷积神经网络跟踪框架，既可以有效地学习卷积特征，又可实现跟踪过程，对于实时跟踪效果较佳并在多个基准跟踪数据集上达到了最佳结果。

    Nov, 2017

  • DeepTrack：在线学习区分性特征表示以实现鲁棒的视觉跟踪

    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

  • 基于卷积神经网络的稳健视觉跟踪

    本文提出了一种新的基于卷积神经网络的目标跟踪方法，使用简单的两层卷积神经网络进行在线适应学习，能够生成鲁棒性较强的目标表示，并在 CVPR2013 数据集上的 50 个挑战性视频中表现优异。

    Jan, 2015

  • SANet：面向结构感知的视觉跟踪网络

    使用递归神经网络结合卷积神经网络提取物体自身结构信息来增强视觉追踪系统对于相似干扰的鲁棒性。在 OTB100、TC-128 和 VOT2015 三个基准测试集上不仅表现优异，且代码已经公开发布。

    Nov, 2016

  • 为实现鲁棒的视觉跟踪而转移丰富的特征层次结构

    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

  • 检测跟踪与跟踪检测

    本文提出了一种使用 ConvNet 架构进行对象检测与跟踪的方法，采用多任务目标进行基于帧的对象检测和跨帧轨迹回归，通过引入表示对象共现的相关特征对 ConvNet 进行辅助，同时通过链接基于跨帧路径的帧级检测结果来产生视频级别高精度检测结果，并在大规模 ImageNet VID 数据集中获得了最新的最先进的结果。

    Oct, 2017

  • 视觉跟踪的相关良好特征

    本文提出了一种用于视觉目标跟踪的深度全卷积特征学习方法，该方法使用基于网络的反向传播算法，并在性能分析中取得了较好的结果。

    Apr, 2017

  • 一次性实现：用于视觉跟踪的双流卷积神经网络

    提出了一种基于卷积神经网络的视觉目标跟踪方法，使用两个输入，分别为目标图像补丁和搜索图像补丁，输出一个响应映射，该映射能够预测目标出现在特定位置的可能性，并且能够以非特定对象的方式进行培训，实现端到端的训练，同时拥有高速帧率和优异的表现。

    Apr, 2016

  • 多尺度领域自适应实时深度跟踪

    本文基于卷积通道缩减技术将图像分类特征应用于视觉跟踪领域，提出了一种有效而实时的视觉跟踪器，不仅提取了目标的有用信息，而且大幅提高了跟踪速度，同时在两个基准测试中实现了最新的准确性。

    Jan, 2017

  • 学习多领域卷积神经网络进行视觉跟踪

    通过基于卷积神经网络的表示方式提出了新型的视觉跟踪算法，该算法使用大型跟踪数据集进行了 CNN 预训练，从而获得了通用物体表示信息，并通过领域特定的二分类器不断迭代训练来实现在线跟踪。实验结果表明，该算法在目前已有的跟踪基准数据集中性能表现卓越。

    Oct, 2015