Jun, 2020

基于孪生网络的视觉物体跟踪关键点预测网络

PDF
TL;DR本文介绍了一种针对视觉目标跟踪的新算法 Siamese Keypoint Prediction Network，该算法采用级联方法进行预测建模，并在四个基准数据集上实现了卓越的跟踪效果。
visual object trackingsiamese keypoint prediction networkcascade heatmap strategycoarse-to-fine prediction modelingstate-of-the-art trackers
发现论文，激发创造
  • 基于孪生关注关键点网络的高性能视觉跟踪

    本研究提出了一种名为 SATIN 的 Siamese Attentioal Keypoint Network 用于高效追踪和准确定位目标，其可利用轻量级沙漏网络、交叉注意力模块和关键点检测方法来提高特征图的辨别力和定位能力，并在多个基准数据集上获得了最新的性能表现。

    Apr, 2019

  • 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

  • 适应性孪生盒网络用于视觉跟踪

    通过利用完全卷积网络的表达能力，将视觉跟踪问题视为并行分类和回归问题，避免了与候选框相关的超参数，使得 SiamBAN 更具灵活性和通用性。在包括 VOT2018、VOT2019、OTB100、NFS、UAV123 和 LaSOT 的视觉跟踪基准测试中进行了广泛实验，证明了 SiamBAN 的高效性和有效性。

    Mar, 2020

  • 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

  • 自适应孪生跟踪和紧凑潜在网络

    本文介绍了一种基于分类的思路来简化 Siamese 追踪器，并通过视觉模拟和实际跟踪示例对其进行了深入分析，提出了一种使用决策样本的紧凑潜在网络来快速调整基础模型，以及一种新的多样化样本挖掘策略来进一步提高所提出的网络的区分能力，在多个数据集上进行的大量实验结果表明，所有三种调整的追踪器在精度和高运行速度方面均获得了卓越的性能。

    Feb, 2023

  • 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

  • 针对视觉对象跟踪的去分心连体网络

    本文关注于学习一种能够识别语义背景干扰的 Siamese 追踪网络，提出了一种有效的训练策略和增量学习模块，同时引入局部到全局搜索策略，实现了在多个数据集上的显著表现。

    Aug, 2018

  • 用于实时目标追踪的双重孪生网络

    提出了一种基于 Siamese 网络的实时物体跟踪方法，利用图像分类任务中学习到的语义特征和相似度匹配任务中学习到的外观特征相结合，其中包括两个支路，一个用于语义特征学习，另一个用于外观特征学习，并针对前者提出了通道注意力机制，同时在 OTB-2013/50/100 数据集上取得了比其他实时跟踪器更好的性能。

    Feb, 2018

  • 图注意力跟踪

    本文提出了一种简单的基于目标感知的 Siamese 图注意力网络解决视觉跟踪中的相似性匹配问题，通过建立完全二分图建立目标和搜索区域之间的部分对部分对应关系，并应用图注意力机制从模板特征传播目标信息到搜索特征，使用目标感知区域选择机制适配不同对象的大小和纵横比变化，实验证明该算法优于现有基于深度学习的最先进跟踪器。

    Nov, 2020

  • 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