CVPRApr, 2021

基于相关性学习的多目标跟踪

PDF
TL;DR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。
convolutional networksobject trackingspatial layouttemporal contextcorrelation learning
发现论文，激发创造
  • 使用相关网络的视频建模

    该文提出了一种基于可学习相关算子的替代方法，用于在视频中识别动作，并成功地应用在行为识别的多个数据集上，表现比流行的二元网络更加出色并且速度更快。

    Jun, 2019

  • 相关网络：用于动作识别的时空多模态深度学习

    本文介绍了一种网络，能够在任意时间戳上捕获多模态相关性，通过用莎侬融合法扩展了多模态卷积神经网络，提出了用相关网络学习预先训练的卷积神经网络的方法，并在 UCF-101 和 HMDB-51 数据集上进行实验，结果显示多模态相关性能够提高视频识别结果的准确性。

    Jul, 2018

  • 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

  • 长短期记忆自适应相关滤波器用于目标跟踪

    提出了一种学习多个自适应关联滤波器的方法，同时具有目标外观的长期和短期记忆，以实现强大的物体跟踪，在大规模基准数据集上表现优异，尤其在效率、准确性和鲁棒性方面均优于现有的技术方法。

    Jul, 2017

  • 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

  • 通过邻居图增强多目标跟踪中的关联性

    该论文提出了一种改进的多目标跟踪方法，利用邻居之间的信息，通过构建邻居图和应用图卷积网络来学习图形特征，从而提高在线多目标跟踪的性能。

    Jul, 2020

  • 面向视觉物体跟踪的空间监督循环卷积神经网络

    本文提出了一种新的空间监督递归卷积神经网络，用于视觉对象跟踪，通过研究长短期记忆和区域信息的回归能力，结合卷积网络产生的高层视觉特征直接预测跟踪位置，相较于现有的深度学习跟踪器，我们的跟踪器在保持低计算成本的同时更加准确和鲁棒，实验结果表明在多个数据集上均表现优异，常常优于排名第二的跟踪器。

    Jul, 2016

  • 多目标跟踪的空间 - 时间关系网络

    本研究提出一种名为空间 - 时间关系网络（STRN）的方法，利用统一框架同时编码多个线索来计算相似度，并深入研究了轨迹物体对的特征表示方法，成功地在 MOT15-17 基准测试中达到了最先进的精度。

    Apr, 2019

  • 联合任务自监督学习用于时间对应

    本文提出了一种利用自我监督方式从视频中学习可靠密集对应关系的方法，通过跟踪大规模图像区域和建立连续视频帧之间的像素级细粒度关联来实现。该方法利用共享的帧内亲和矩阵来建模两个任务之间的协同作用，在区域级别和像素级别同时建模视频帧之间的转换，从而在视觉对应任务中实现了优异的表现。

    Sep, 2019

  • 视频中人物重新识别的时空相关性和拓扑学习

    本文提出了一种新的 CTL 框架来实现视频行人重新识别，其通过建模跨尺度时空相关性来追求具有辨别力和鲁棒性的表征，采用了卷积神经网络和关键点估计器来抽取人体的语义局部特征，并通过构建多尺度图形来捕捉分层时空依赖性和结构信息，最终证明了该方法在两个视频基准上实现了最先进的表现。

    Apr, 2021