IJCAIMay, 2021

SiamRCR：针对视觉目标跟踪的互惠分类和回归

PDF
TL;DR本文提出了一种名为 SiamRCR 的新型同孪网络追踪算法，建立了分类和回归分支之间的相互关联，通过添加定位分支来解决分类和回归不准确之间的问题，证明其在多个实验结果上具有优越性。
siamese networktracking algorithmobject classificationbounding-box regressionlocalization
发现论文，激发创造
  • SiamCAR: Siamese 全卷积分类和回归用于视觉追踪

    该研究提出了一种使用全卷积孪生网络以像素级方式解决视觉跟踪问题的方法，其中包括特征提取和边界框预测两个子网络，不需要基于区域建议，能够更简单、更准确地进行目标跟踪。

    Nov, 2019

  • Siam R-CNN：通过重新检测进行视觉跟踪

    提出了一种名为 Siam R-CNN 的新的物体追踪方法，使用两阶段物体检测的方法，结合基于轨迹的动态规划算法，实现追踪决策的优化和长时间遮挡状态下物体的再检测，并通过硬样本挖掘提高其鲁棒性。该方法在十个追踪基准数据集中表现最佳，尤其适用于长时间的追踪。

    Nov, 2019

  • 基于 Siamese Track-RCNN 的多目标跟踪

    Siamese Track-RCNN 提出了一种单一追踪系统，其中包括检测支路、基于 Siamese 的跟踪支路和物体重新识别支路，测试表明其在 MOTChallenge 等数据集中的表现优于现有方法且更加高效。

    Apr, 2020

  • 基于排名的孪生视觉跟踪

    本论文提出了一种基于排名的优化算法来解决 Siamese 视觉跟踪器中的分类与定位之间的错位问题，并在七项跟踪基准测试中取得了显著的效果。

    May, 2022

  • SiamTHN: 用于视觉跟踪的连体目标高亮网络

    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

  • 学习过滤：用孪生关系网络进行鲁棒跟踪

    本文介绍一种在复杂场景下提高视觉跟踪器准确性的新型 Siamese relation network，包括两个有效模块：Relation Detector（RD）和 Refinement Module（RM），可实现从背景中过滤干扰器并生成跟踪结果。此外，引入了对比训练策略，使跟踪器具有区分不同物体的能力，实验表明该方法可在背景干扰、快速运动和遮挡等情况下取得最先进的结果。

    Apr, 2021

  • SiamRPN++：使用非常深的网络演变的孪生视觉跟踪

    研究者通过理论分析和实验证明了 Siamese trackers 缺乏严格的平移不变性，为此提出了一种用于改善性能的有效的空间感知采样策略。通过进行广泛的消融研究，该模型在四个跟踪基准中获得了最佳结果，包括 OTB2015、VOT2018、UAV123 和 LaSOT。

    Dec, 2018

  • 具有高效中层特征提取的连体回归网络，用于三维物体姿态估计

    本文提出了一种基于 Siamese Networks 的、直接回归物体姿态的端到端学习框架，利用我们的姿态引导特征学习，在三维姿态估计领域中取得了更好的性能表现。该学习框架还具备在严重遮挡下仍可进行学习的能力，并在新颖的手 - 物体数据集上表现出高性能。

    Jul, 2016

  • 具有辨别性和鲁棒性的孪生视觉跟踪在线学习

    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

  • 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