ICCVMar, 2021

学习目标候选关联以跟进不需要跟进的内容

PDF
TL;DR本文提出了一种使用关联网络来追踪眼花缭乱的物体的方法，通过结合部分注释和自我监督的训练策略，该方法在多个数据集上表现出新的最先进水平，并且在 LaSOT 上取得了 67.1% 的 AUC 分数，在 OxUvA 长期数据集上增加了 +5.8% 的绝对增益。
visual trackingdistractor objectsassociation networkself-supervisionstate-of-the-art
发现论文，激发创造
  • 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

  • 面向分心鲁棒的主动视觉跟踪

    通过提出一种混合协作 - 竞争多智能体游戏中的奖励函数、跨模态教师 - 学生学习策略和迭代注意力机制等一系列实用方法，增强了跟踪器的抗干扰性和对干扰的鲁棒性，从而实现了有效的干扰抗性主动视觉跟踪。实验结果表明，该跟踪器在多种干扰干扰下表现出了优越的跟踪性能。

    Jun, 2021

  • 显著性相关的目标追踪

    该论文提出了一种基于部分追踪策略的物体追踪方法，其中使用细粒度显著性挖掘模块来捕获有区分度的局部信息，结合显著性关联建模模块来得到识别目标状态的有效表达，并在 5 个数据集的广泛实验中取得了优于现有方法的表现。

    Aug, 2021

  • FANTrack: 基于特征关联网络的三维多目标跟踪

    我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

    May, 2019

  • 学习跟踪任意物体

    本研究通过将类别特定的外观模型重新定义为通用的物体状态预测，在两种大规模跟踪基准测评（OxUvA 和 GOT）中实现了最先进的结果，并通过添加一个 mask 预测分支，为跟踪的对象生成实例分割掩模。

    Oct, 2019

  • 了解周围环境：利用场景信息进行目标跟踪

    本文提出了一种使用场景信息进行跟踪的新架构，使用密集的本地化状态向量来表示该信息，该向量将场景的对象分类为目标 / 背景 / 干扰因素，并将其与外观模型输出相结合以定位目标，该方法在三个跟踪基准上获得了 63.6% 的 AO 得分.

    Mar, 2020

  • 针对无监督视频多物体分割的目标感知对象发现和关联

    该研究提出了一种新颖的无监督视频多目标分割方法，通过结合前景区域估计和实例分组来提高实例判别，引入判别性外观模型用于目标跟踪，实现更准确的物体发现，以及采用自适应内存更新等三种策略提高分割准确性和推理速度，并在 DAVIS17 和 YouTube-VIS 数据集上超越了现有技术的表现。

    Apr, 2021

  • 基于端到端学习的轨迹关联跟踪器：多目标跟踪的关联方法

    本文提出了一种名为 Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。

    Aug, 2018

  • S$^3$Track：自监督跟踪与软分配流

    本文旨在研究不使用任何视频级联标签的自监督多目标跟踪问题，并通过不同 iable 可微分的软目标分配来解决问题，使用时间和多视图数据进行训练，从而获得关于目标的关联伪标签。与大多数依赖于学习特征对应关系预算任务的自监督跟踪方法不同，我们的方法直接优化于复杂情景下的交叉对象关联，为鲁棒的重新识别 MOT 方法提供了一种解决方案，不会受到 Minima 的影响。在 KITTI、Waymo、nuScenes 和 Argoverse 数据集上评估我们的模型，与其他无监督方法相比，一致提高了 nuScenes 上的关联精度（7.8%）。

    May, 2023

  • 半监督轨道对比表示学习

    本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法，可以处理在线多目标跟踪问题，该方法可以进行半监督学习，并且在多个数据集上都表现出了更好的性能。

    Jul, 2021