基于 TridentAlign 和上下文嵌入的视觉跟踪
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
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
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
本文提出了一个基于 transformer 的视频物体跟踪器,在 Siamese-like 跟踪管道中,编码器在模板中注入了基于注意力机制的特征强化以增强模型生成质量,解码器传递上一个模板的跟踪线索到当前帧以方便目标搜索,结果本方法作为一种最先进的记录在普遍跟踪基准上获得了成功。
Mar, 2021
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
本文介绍了一种基于 Transformer 编码器 - 解码器架构和强有力的注意机制的新型追踪器网络,通过自我关注模块和交叉注意力,提高了全局和丰富的背景信息获取,支持超越局部特征的追踪效果,在多个基准测试上表现出优异的性能。
May, 2021
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
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
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