Apr, 2020

基于元更新器的高性能长期跟踪

PDF
TL;DR本文提出了一种离线 Meta-Updater 来解决长期视觉跟踪问题，通过集成几何、区分和外观线索并用级联 LSTM 模块挖掘顺序信息， Meta-Updater 可以有效地学习跟踪器的更新，以指导跟踪，同时介绍了一个包含在线本地跟踪器，在线验证器，SiamRPN-based 重检测器和我们的 Meta-Updater 的长期跟踪框架，实验结果表明 Meta-Updater 比其他竞争算法表现出更好的性能。
long-term visual trackingoffline-trained meta-updateronline-updatesequential informationsiamrpn-based re-detector
发现论文，激发创造
  • 具有联合元更新的上下文感知视觉跟踪

    在本文中，我们提出了一种基于上下文感知的跟踪模型，该模型是通过利用整个序列中的信息联合元更新两个分支来优化表示空间上的跟踪器，实现对外观变化的自适应。我们采用上下文聚合模块融合历史帧中的信息，然后使用上下文感知模块为跟踪器的两个分支学习亲和向量。通过使用专用的元学习方案，在有限的训练样本下，该跟踪方法在 VOT2018 上实现了 0.514 的 EAO 评分，40FPS 的速度，表明了它提高了潜在跟踪器的准确性和鲁棒性，并且在速度上有小幅下降。

    Apr, 2022

  • 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

  • 元追踪器：快速且强韧的在线适应视觉目标追踪器

    本文提出一种基于元学习的离线方法，以调整在线适应式跟踪中使用的初始深度网络，以实现更快速、准确和鲁棒的跟踪。实验证明，该方法在 OTB2015 和 VOT2016 标准基准测试中优于当前最先进的跟踪方法。

    Jan, 2018

  • 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

  • 学习回归和验证网络以进行长期视觉跟踪

    我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

    Sep, 2018

  • STMTrack: 使用时空记忆网络进行无模板视觉跟踪

    本文提出一种基于空时内存网络的新型追踪框架，利用历史信息以适应目标外观的变化，采用像素级相似度计算实现更精准的边界框生成，能够在真实时间下跟踪并优于先前所有最先进的实时方案。

    Apr, 2021

  • 具有辨别性和鲁棒性的孪生视觉跟踪在线学习

    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。

    Sep, 2019

  • 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

  • 长期视觉跟踪性能评估

    我们提出了一种新的长期跟踪性能评估方法，并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集，通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度，召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器，评估结果表明，良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要，我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试，并促进了长期跟踪器的开发。

    Apr, 2018

  • 元学习实现的实时物体跟踪：高效模型自适应和单次通道剪枝

    本文提出了一种新颖的 meta-learning 框架，用于实时物体跟踪，其中实现了高效的模型自适应和通道修剪，并通过精心设计的跟踪模拟来训练元跟踪器，显著提高了跟踪性能。

    Nov, 2019