CVPRJul, 2020

无监督深度表示学习用于实时跟踪

PDF
TL;DR提出了一种无监督学习方法，基于 Siamese 相关滤波网络，在前向追踪和反向追溯之间进行一致性测量来训练视觉跟踪器，并提出了多帧验证方案和一种成本敏感的损失来促进无监督学习，该方法在速度上达到实时水平，在不使用昂贵标记数据的情况下，实现与现有标准跟踪器相当的准确度，而且在使用更多未标记或弱标记数据的情况下，该方法有进一步提高跟踪精度的潜力。
visual trackingdeep learning modelsunsupervised learningsiamese correlation filter networktracking accuracy
发现论文，激发创造
  • 无监督深度跟踪

    该论文提出了一种无监督视觉跟踪方法，使用 CNN 模型和监督学习相反，采用大规模未标记视频进行无监督训练，采用多帧验证方法和成本敏感损失来促进无监督学习，取得了与完全监督追踪器相当的基准精度，同时展示了利用未标记或弱标记数据进一步提高跟踪精度的潜力。

    Apr, 2019

  • 准确孪生跟踪的无监督学习

    该研究提出了一种新的无监督跟踪框架，通过跟踪变化明显的物体，解决了以往模板匹配无法处理较长时间跨度的问题，并通过正向和反向跟踪视频，学习了时间上的对应关系并且通过提出的一致性传播转换和不可微的区域遮盖，构建了一个可靠的特征模板，采用基于质量伪标签动态赋权值的策略，提高了学习效果，达到了 TrackingNet 和 LaSOT 等大规模数据集上有监督方法的表现水平。

    Apr, 2022

  • 无标签视频中的物体中心表示学习

    本研究介绍了一种从未标记的视频中进行无监督学习的新方法，通过引入一种面向物体的时间相干性方法来促进学习具有相似表征的物体，并在多个基准数据集上展示了与竞争无监督方法相比显著的准确度提高。

    Dec, 2016

  • 利用视频进行无监督学习的视觉表示

    本文介绍了一种使用大量未标记数据进行无监督学习的方法，通过使用数十万个未标记的 web 视频作为数据集，设计了一个具有排名损失函数的 Siamese-Triplet 网络，用于深度卷积神经网络的无监督学习，可在不使用 ImageNet 的情况下，获得 52% 的 mAP 的性能，并展示了此非监督网络在其它任务中表现出竞争性。

    May, 2015

  • 简单非监督多目标追踪

    通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题，可在无需追踪监督的情况下提高多目标跟踪的性能，为跟踪领域开拓更加简单和有效的解决方案提供新思路。

    Jun, 2020

  • 从视频中无监督学习，用于检测单张图像中的前景物体

    本研究致力于解决视觉数据无监督学习中的目标检测问题，使用包含深度神经网络的学生路径来训练模型，该模型可以在测试时明显优于无监督视频发现教师，并在 YouTube 视频数据集和目标发现数据集等基准测试中取得了最先进的结果，测试时比其他方法至少快两个数量级。

    Mar, 2017

  • 利用自监督学习检测跟踪器错误，以最小人工参与收集始终高质量的物体轨迹

    我们提出了一个混合框架，通过将自动化目标跟踪器与少量人工输入相结合，可以持续产生高质量的物体跟踪。我们的方法利用无标签视频上的自我监督学习，学习适合目标物体的表示，并使用该表示主动监视其跟踪区域，并在跟踪器失效时决策是否需要人工重新定位目标。实验证明我们的方法在三个数据集上优于现有方法，尤其适用于小型、高速移动或遮挡物体。

    May, 2024

  • 基于深度强化决策的实时视觉跟踪

    该研究提出了一种基于深度强化学习方法构建的模板选择策略的实时视觉追踪算法，该算法可有效应对模型更新导致的跟踪偏移问题，可在实时速度下以 43fps 跑动。

    Feb, 2017

  • 走向无监督表示学习：学习、评估和传递视觉表示

    无监督表示学习、卷积自组织神经网络、评估协议、表示传输、图像到图像转换

    Nov, 2023

  • 无需视频注释学习实例跟踪

    本文介绍了一种利用标记图像数据和未标记视频序列学习实例跟踪网络的半监督框架，采用实例对比目标，利用学习的嵌入区分每个实例并在不同帧之间稳定地跟踪对象，并且将此模块集成到单阶段实例分割和姿态估计框架中，较之两阶段网络显著降低了跟踪的计算复杂度。无需任何视频标注努力，我们的方法可达到与大多数完全监督方法相当甚至更好的性能。

    Apr, 2021