人类和机器中的无需重新识别追踪
介绍一项用于挑战深度神经网络的视觉测试 $ extit {PathTracker}$,揭示深度卷积神经网络在处理带有障碍物或远距离运动的物体运动路径时的盲点,期待类似于生物视觉的外观无关物体跟踪策略能解决深度神经网络的这一瓶颈。
Sep, 2021
本文提出了一种新的端到端的物体跟踪方法,它直接从原始传感器输入到物体的轨迹映射,而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模,通过一种输入丢弃的学习方法,能够在无监督的情况下处理包括遮挡物在内的传感器数据,学习跟踪许多动态物体,适用于机器人类应用中常见的 2D 激光数据跟踪任务。
Feb, 2016
本文介绍了一种基于仿生学模型的视觉跟踪方法,该方法模拟大脑视皮层的视觉认知机制,采用浅层神经元和高级学习机制,加速了实时学习和检测,实验证明该方法具有较高的效率、精度和鲁棒性。
Apr, 2019
通过深度学习和算法的融合,我们提出了一种用于物体追踪的混合模型 (PhyOT),该模型将深度神经网络视为卡尔曼滤波器中的 “传感器”,利用牛顿运动定律的先验知识来融合传感器观测并进行改进的估计。实验结果表明,我们的 PhyOT 在极端条件下可以追踪物体,而在一般情况下与现有的深度学习方法相比性能不降低。还有研究结果表明,我们的 PhyOT 组件具有泛化和可转移性。
Dec, 2023
通过深度神经网络的迁移学习方法,本论文提出了一种高效的无标记跟踪方法,可以在不同的实验环境中跟踪动物不同的身体部位,尤其在少量训练数据的情况下也能获得很好的跟踪效果。
Apr, 2018
提出了一种基于注意力的模型,利用注视数据进行同时进行目标跟踪和识别。模型有两个相互作用的通路:身份和控制,分别模拟神经元科学模型中的「what 和 where」通路,其中前者使用深度(分解)受限玻尔兹曼机模拟对象外观并执行分类,而后者模拟关注对象的位置、方向、大小和速度,并估计状态的后验分布。
Sep, 2011
本文提出了一种基于分层注意力循环模型的目标跟踪算法,该算法可以在视频中跟踪单个物体,并通过梯度方法进行完全可微分且纯数据驱动的训练。为了改进训练收敛性,在损失函数中增加了与跟踪相关的辅助任务项。该模型在 KTH 活动识别数据集和 KITTI 物体跟踪数据集上进行了评估。
Jun, 2017
该研究论文提出了一种基于视觉注意力的训练深度分类器的互补学习算法,利用正反馈操作生成注意力图来作为正则化项,该机制能够使分类器学习到关注具有外观变化鲁棒性的目标对象的区域,实验证明该注意力跟踪方法在大规模基准数据集上的性能表现优于现有的基于检测的跟踪算法。
Oct, 2018
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
本文提出了神经视觉注意力算法(NeVA),并利用仿生视觉约束在神经网络上实现了类人的扫描路径生成。实验结果表明,该方法在类人扫描路径相似性方面优于现有无监督的人类注意力模型,同时可灵活地研究不同任务对视觉行为的影响,并在考虑不完美的视觉条件下的实际应用中表现出明显的优势。
Apr, 2022