CVPRApr, 2020

基于实例检测的跟踪：一种元学习方法

PDF
TL;DR本文提供了一种将目标检测器（如 RetinaNet 和 FCOS）快速转换为跟踪器的方法，即使用元学习方法（MAML）进行离线训练和领域自适应，并展示了通过该方法构建的 Retina-MAML 和 FCOS-MAML 跟踪器在四个基准测试中的竞争力。
trackingobject detectionmeta-learningretina-mamlfcos-maml
发现论文，激发创造
  • 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

  • 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

  • 基于元学习的多目标追踪

    基于元学习的 MAML MOT 方法用于解决行人多目标跟踪中的样本稀缺问题，提高模型的泛化性能和鲁棒性，取得了在 MOT 挑战赛上的高准确率，为行人多目标追踪领域的研究提供了新的视角和解决方案。

    May, 2024

  • RetinaTrack：基于单阶段的联合检测与跟踪算法

    RetinaTrack 是一种用于自动驾驶的联合的、简单而高效的多目标跟踪和目标检测模型，相较于当前业界最先进的跟踪算法有更好的表现且需要更少的计算量。

    Mar, 2020

  • 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

  • 元学习增量目标检测

    该研究提出了一种元学习方法，以优化共享增量任务信息的模型梯度并通过元学习梯度预处理来减少遗忘和最大化知识转移，从而提高目标检测中的增量学习性能。

    Mar, 2020

  • 在线目标跟踪的外观模型深度学习

    本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

    Jul, 2016

  • 基于递归最小二乘估计法的在线学习在视觉跟踪中的应用

    本文提出了一个无需离线训练的在线学习方法，通过递归最小二乘算法辅助进行 few-shot 在线自适应学习，实现在模型中构建记忆保留机制，同时防止过度拟合和遗忘，有效提升了现代深度跟踪器的表现效率。

    Dec, 2021

  • 实时多目标跟踪的混合方法

    通过将光流算法与深度学习架构相结合，提出了一种混合策略来实现实时目标追踪，实现了在追踪精度和计算成本之间的理想平衡，相比其他最先进方法在 MOTA 上达到了 0.608 的结果，并且运行时间减少了一半，准确性基本相同。

    Aug, 2023

  • 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