AAAINov, 2019

利用空间不变性进行可扩展的无监督物体跟踪

PDF
TL;DR提出了一种能够应对大场景和多物体的无监督对象跟踪体系结构，包括空间不变运算（卷积和空间注意）和本地对象表示方案，在多个实验中展现了在有多个物体的混乱场景中跟踪对象比其他方法更好，并且能够很好地推广到训练时未遇到的更大，物体更多的视频中。
unsupervised object trackinglarge-scene object trackingspatially invariant computationsspatial attentiongeneralization
发现论文，激发创造
  • 视频集合中的无监督目标发现和跟踪

    本研究提出一种结合发现和跟踪两个过程的算法，用于自动定位包含在视频集合中的物体，并能发现跨不同视频的物体实例之间的隐含拓扑关系，实验表明该算法在多目标定位方面表现优异

    May, 2015

  • 基于视频序列的无监督物体表示基准测试

    研究了四种基于物体的表征方法的感知能力，设计了一个基准测试集来评估物体检测、分割和跟踪的基本感知能力，并发现具有非约束潜在表征的架构比基于空间变换器的架构具有更强的物体感知能力。

    Jun, 2020

  • 学习目标不变的物体跟踪

    该论文提出了一种端到端可训练的方法，结合物体检测和跟踪，并引入了序列记忆模块，使其更好地处理多物体跟踪，尤其是遮挡的情况。经过大规模的合成数据和实际测试，在 KITTI 和 MOT17 数据集上取得了最先进的性能表现。

    Mar, 2021

  • 无监督深度表示学习用于实时跟踪

    提出了一种无监督学习方法，基于 Siamese 相关滤波网络，在前向追踪和反向追溯之间进行一致性测量来训练视觉跟踪器，并提出了多帧验证方案和一种成本敏感的损失来促进无监督学习，该方法在速度上达到实时水平，在不使用昂贵标记数据的情况下，实现与现有标准跟踪器相当的准确度，而且在使用更多未标记或弱标记数据的情况下，该方法有进一步提高跟踪精度的潜力。

    Jul, 2020

  • 分布式相机网络的异方差地理空间跟踪

    本研究旨在解决使用分布式摄像头网络进行地理空间物体跟踪的问题，界定物体的地理空间坐标和物体位置的不确定性，提出了一个新颖的单个物体地理空间跟踪数据集，并探讨了不确定性校准和通过可微的跟踪器对模型进行微调对性能的影响。

    Jun, 2023

  • 基于条件的视频目标中心学习

    该论文提出了一种弱监督学习方法，以对象为中心的表示和光流条件模型，可提高现实数据下的实例分割和追踪效果，改进了查询模型的灵活性，并扩展了应用范围。

    Nov, 2021

  • 了解周围环境：利用场景信息进行目标跟踪

    本文提出了一种使用场景信息进行跟踪的新架构，使用密集的本地化状态向量来表示该信息，该向量将场景的对象分类为目标 / 背景 / 干扰因素，并将其与外观模型输出相结合以定位目标，该方法在三个跟踪基准上获得了 63.6% 的 AO 得分.

    Mar, 2020

  • 视频的自监督目标中心学习

    本文提出了第一个完全无监督的方法，用于在真实场景的序列中分割多个对象，通过空间绑定对象并将这些槽联系起来，在高级语义特征空间中重建中间帧，解决了效率和规范化问题，成功地在 YouTube 视频中分割了复杂且多变的类别的多个实例。

    Oct, 2023

  • 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

  • 分层体系结构中不变表示的无监督学习

    我们提出了一种基于无监督自动学习的方法，可以学习出具有小样本复杂度的好的表示方法，在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板，可以对每个图像块计算一种不变而又唯一的（有区分性的）签名，从而从很少的有标记例子中学习图像识别。

    Nov, 2013