Sep, 2019

具有辨别性和鲁棒性的孪生视觉跟踪在线学习

PDF
TL;DR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。
visual object trackingonline moduleattention mechanismsiamese networksfilter update strategy
发现论文，激发创造
  • 学习判别模型预测跟踪

    我们提出了一种基于区分性损失函数的端到端可训练的视觉跟踪器，可以有效地利用目标和背景外观信息进行目标模型预测，并在 6 个跟踪基准测试中取得了新的最好成绩。

    Apr, 2019

  • 全卷积孪生网络用于目标跟踪

    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

  • 针对视觉对象跟踪的去分心连体网络

    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

  • 深度元学习在实时目标感知视觉跟踪中的应用

    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

  • 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

  • 学习孪生跟踪器的模型更新

    本文提出了一种用于视觉跟踪的新方法，通过使用卷积神经网络来学习下一帧的目标模板，从而提高现有 Siamese 方法的效果。经过在多个数据集上的实验证明，这种模型可以有效地定位目标并提高跟踪的准确率。

    Aug, 2019

  • 相关感知的深度跟踪

    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

  • 准确孪生跟踪的无监督学习

    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

  • 用判别滤波器和孪生网络进行视觉物体追踪：一项调查和展望

    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

  • 学习过滤：用孪生关系网络进行鲁棒跟踪

    本文介绍一种在复杂场景下提高视觉跟踪器准确性的新型 Siamese relation network，包括两个有效模块：Relation Detector（RD）和 Refinement Module（RM），可实现从背景中过滤干扰器并生成跟踪结果。此外，引入了对比训练策略，使跟踪器具有区分不同物体的能力，实验表明该方法可在背景干扰、快速运动和遮挡等情况下取得最先进的结果。

    Apr, 2021