学习融合不对称特征映射在孪生跟踪器中

CVPRDec, 2020

学习融合不对称特征映射在孪生跟踪器中

Learning to Fuse Asymmetric Feature Maps in Siamese Trackers

Wencheng Han, Xingping Dong, Fahad Shahbaz Khan, Ling Shao, Jianbing Shen

TL;DR该研究提出了一种可学习的模块 —— 不对称卷积 (ACM)，通过在大规模数据的离线训练中学习更好地捕获语义相关信息，有效克服了现有 Siamese 跟踪器中存在的问题。同时，将 ACM 集成到现有的 SiamFC，SiamRPN ++ 和 SiamBAN 中，实验证明 ACM 优于现有方法，在六项跟踪基准测试中均得到了令人满意的结果。

Abstract

Recently, siamese-based trackers have achieved promising performance in visual tracking. Most recent siamese-based trackers typically empl

siamese-based trackers asymmetric convolution visual tracking offline learning object boundaries

发现论文，激发创造

相关感知的深度跟踪

我们提出了一种基于自注意力 / 交叉注意力的目标依赖特征网络，通过深度嵌入多层特征的交叉图像特征相关性，抑制了非目标特征，从而实现了实例变化的特征提取，在不需要额外的相关步骤的情况下可以直接用于预测目标位置，且可以灵活地在丰富的无配对图像上进行预训练，实现了较快的收敛速度和最先进的实时跟踪性能。

Mar, 2022

分阶段深度相关和特征融合用于孪生物体追踪

我们提出了一种名为 DCFFNet 的新型分阶段深度相关性和特征融合网络，用于进一步优化可视化跟踪的特征提取。我们基于孪生网络架构构建了我们的深度跟踪器，该网络从头开始离线训练，利用多个大规模数据集进行端到端训练。我们将改进的 ResNet-50 与提出的相关性融合层相结合，构成我们模型的特征提取器。广泛的实验结果表明，我们提出的方法在准确性和精度方面与许多领先的跟踪器相比具有竞争力，同时满足应用的实时要求。

Oct, 2023

SiamVGG：使用深度孪生网络进行视觉跟踪

本篇研究提出了一种能够追踪物体的算法 SiamVGG，通过结合使用 Deep Neural Network 和 Convolutional Neural Network 技术以及 Cross-correlation 算子，可以在保证较高跟踪精度的同时达到较好的实时性能。

Feb, 2019

轻量级全卷积孪生跟踪器

本文提出一种轻量级的卷积双支追踪器 LightFC，使用了高效交叉相关模块（ECM）和高效中心头（ERH）来增强特征表达，并通过重新参数化技术和通道注意力来改善非线性表达能力。实验证明，LightFC 在性能、参数、Flops 和 FPS 之间取得了较好的平衡，在 LaSOT 和 TNL2K 上的精确度得分分别比 MixFormerV2-S 高出 3.7％和 6.5％，同时使用的参数减少了 5 倍，并且 Flops 减少了 4.6 倍。此外，LightFC 在 CPU 上运行速度是 MixFormerV2-S 的 2 倍。

Oct, 2023

Transformer 追踪

本文提出了一种基于 Transformer 注意力机制的特征融合方法，并将其应用于跟踪任务中。实现了在六个有挑战性的数据集上取得了很好的跟踪结果。最终得出了一个名为 TransT 的跟踪器，运行在 GPU 上的大约 50fps。

Mar, 2021

高性能 Transformer 追踪

该论文提出了一种基于注意力机制的特征融合网络，可以有效地结合模板和搜索区域的特征，解决相关操作在设计高精度跟踪算法时可能遇到的局部最优问题。实验结果表明，该方法在七个流行数据集上取得了有前途的成果。

Mar, 2022

基于相关性学习的多目标跟踪

本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力，从而在多目标跟踪方面取得了最先进的效果，并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。

Apr, 2021

多相关等式变压器网络与稠密连接用于 3D 单物体跟踪

稀疏 LiDAR 点云数据仍然存在挑战，因此本文提出了一种多相关 Siamese Transformer 网络，通过在每个阶段末尾基于稀疏支柱进行特征相关，以学习搜索区域的特征并保持模板的独立特征。该算法在 KITTI、nuScenes 和 Waymo 数据集上取得了有希望的性能，并提供了对每个组件有效性的消融实验研究。

Dec, 2023

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

端到端流量相关跟踪及时空注意力

本文利用连续帧中的丰富流信息，通过在网络中制定特殊层来提高特征表示和跟踪精度，提出了一种基于深度学习框架中的联合训练流和跟踪任务的方法，并且采用了新颖的空间 - 时间注意机制，对 OTB2013、OTB2015、VOT2015 和 VOT2016 四个具有挑战性的跟踪数据集进行了广泛的实验，证明所提出的方法在这些基准测试中具有优越的结果。

Nov, 2017