Dec, 2019

视觉跟踪的深度学习：一项综述

PDF
TL;DR本文对深度学习手段在视觉目标跟踪中的应用作了全面综述，包括常用的数据集、评估指标以及当前领先的跟踪器，并对它们进行了量化和定性分析，旨在为实践者在选择方案时提供指导和对未来方向进行探讨。
visual trackingdeep learningbenchmark datasetsevaluation metricsstate-of-the-art trackers
发现论文，激发创造
  • 学习长期跟踪器分数的空间分布

    该论文总结了长期跟踪中的关键问题，提出了基于融合追踪器策略的学习方法，并通过实验证明了模型与数据的独立性，并在竞争中取得了领先地位。

    Aug, 2023

  • 将更多关注转移到视觉语言对象追踪上

    我们设计了一种有效的视觉 - 语言表示方法，同时为追踪问题构建了一个大型带有语言注释的数据库。通过引入异构架构搜索和模态混合器等核心技术，以及对不同模态之间进行对比损失的引入，我们能够显著改善追踪问题的解决方案，并期望将更多注意力转向视觉 - 语言追踪，为未来的多样化多模态消息追踪开辟更多可能性。

    Jul, 2023

  • 单目物体姿态检测和跟踪的深度学习：综述

    本研究对基于深度学习技术路线的三种主要任务：单个物体实例级别姿态检测、类别级别姿态检测和单目物体姿态跟踪的方法进行了全面的综述，详细介绍了检测和跟踪的度量、数据集和方法，并在几个公开可用的数据集上提出了现有最先进方法的比较结果，同时提供了深入的观察和启发未来研究方向。

    May, 2021

  • 传统单目标跟踪的超越：一项综述

    单目标跟踪是许多关键领域应用的重要任务，尽管它仍被认为是最具挑战性的视觉任务之一。本文针对单目标跟踪的应用，提出了一种基于新技术和趋势的方法分类，并对广泛使用的跟踪基准中方法的性能进行了比较分析，同时分析了这些方法的优缺点，并提出了非传统技术在单目标跟踪中的指导，最后提出了未来研究的潜在方向。

    May, 2024

  • 通过深度强化学习和专家演示实现的视觉追踪

    通过应用强化学习的最新趋势并借鉴专家代理的演示，提出了两种新型跟踪器：A3CT 和 A3CTD，均利用现有的跟踪器进行有效的跟踪，并在多个基准测试中取得了最新的成果。

    Sep, 2019

  • 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

  • 视频多目标跟踪的深度学习研究

    本文综述了利用深度学习模型解决单摄像头视频的多目标跟踪任务的研究，总结了该任务中的四个主要步骤，并深入探讨了如何在每个步骤中利用深度学习。此外，还提供了对三个 MOTChallenge 数据集中所呈现的工作的完整实验比较，并确定了最优解方法之间的若干相似之处，提出了一些可能的未来研究方向。

    Jul, 2019

  • 自动驾驶中的三维物体检测与跟踪的深度学习方法：简要综述

    自动驾驶中的目标检测和跟踪是重要且基础的任务，旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于 3D 目标检测和跟踪的研究进展，以帮助更好地了解该领域的现状。

    Nov, 2023

  • 面向序列级别的视觉跟踪训练

    该论文提出了一种基于强化学习的序列级别训练策略，旨在通过数据采样、学习目标和数据增强的序列级别设计，提高视觉追踪算法的准确性和鲁棒性，实验证明这种方法可以持续提高四个典型的跟踪模型的准确性而不需要修正体系结构。

    Aug, 2022

  • TrackingNet: 野外物体跟踪的大规模数据集和基准

    该研究提出了 TrackingNet 数据集，为在野外进行物体跟踪提供了第一个大规模数据集和基准，并评估了 20 多个追踪器模型，结果表明，在野外物体跟踪仍然远未解决。

    Mar, 2018