Apr, 2020

基于 Siamese Track-RCNN 的多目标跟踪

PDF
TL;DRSiamese Track-RCNN 提出了一种单一追踪系统，其中包括检测支路、基于 Siamese 的跟踪支路和物体重新识别支路，测试表明其在 MOTChallenge 等数据集中的表现优于现有方法且更加高效。
multi-object trackingsiamese track-rcnndetect-and-track frameworkobject re-identificationmotchallenge
发现论文，激发创造
  • Siam R-CNN：通过重新检测进行视觉跟踪

    提出了一种名为 Siam R-CNN 的新的物体追踪方法，使用两阶段物体检测的方法，结合基于轨迹的动态规划算法，实现追踪决策的优化和长时间遮挡状态下物体的再检测，并通过硬样本挖掘提高其鲁棒性。该方法在十个追踪基准数据集中表现最佳，尤其适用于长时间的追踪。

    Nov, 2019

  • SiamCAR: Siamese 全卷积分类和回归用于视觉追踪

    该研究提出了一种使用全卷积孪生网络以像素级方式解决视觉跟踪问题的方法，其中包括特征提取和边界框预测两个子网络，不需要基于区域建议，能够更简单、更准确地进行目标跟踪。

    Nov, 2019

  • SiamRCR：针对视觉目标跟踪的互惠分类和回归

    本文提出了一种名为 SiamRCR 的新型同孪网络追踪算法，建立了分类和回归分支之间的相互关联，通过添加定位分支来解决分类和回归不准确之间的问题，证明其在多个实验结果上具有优越性。

    May, 2021

  • 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

  • 跟踪学习：用孪生卷积神经网络进行强健的目标关联

    本文提出一种新颖的数据关联方法，通过引入一个两阶段的学习方案来匹配检测对，第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征，通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率，表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异，已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。

    Apr, 2016

  • 增强型孪生网络在多目标跟踪中的相似度映射

    本文介绍了一种基于增强 Siamese 神经网络的相似性映射的跟踪系统，该系统考虑了外观和几何信息，并可进行端到端的训练，以减少整体系统复杂性和需要针对特定环境进行调整的超参数数量，在 MOT16 挑战中取得了具有竞争性的速度和准确性。

    Sep, 2016

  • 基于孪生网络的视觉目标跟踪器匹配优化

    在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决 Siamese 网络追踪器的旋转和背景干扰问题，并提出了一个名为 Siam-BM 的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在 VOT2017 数据集上的评估表明，Siam-BM 实现了 0.335 的 EAO，这使其成为迄今为止表现最佳的实时追踪器。

    Sep, 2018

  • SiamTHN: 用于视觉跟踪的连体目标高亮网络

    本文提出了一种基于孪生网络的目标跟踪方法，其中引入了目标强调模块来提高相似性响应映射的目标区域的聚焦能力，同时使用校正损失来训练模型以减少分类和回归之间的不匹配，实验表明该方法优于当前模型在性能上表现，同时效率达到 38 fps。

    Mar, 2023

  • 基于层次空间感知的热红外目标暗示网络

    本文提出了一种热红外跟踪器，命名为 HSSNet，它使用层次空间感知 Siamese 卷积神经网络来验证相似性并生成更强的可辨别能力，与其他方法相比，在 VOT-TIR 2015 和 VOT-TIR 2016 基准测试上取得了较好的性能表现。

    Nov, 2017

  • 多目标跟踪中检测和 ReID 竞争的重新思考

    为了解决一次性追踪模型中的任务竞争问题，提出了一种具有自身关系和交叉关系设计的新型互惠网络（REN），并引入了一个尺度感知的注意网络（SAAN），将二者整合为一的强大的 MOT 跟踪器 CSTrack，可以在 MOT16，MOT17 ​​和 MOT20 数据集上获得最先进的性能，且高效运行于现代单个 GPU 上。

    Oct, 2020