Jul, 2021

不同的跟踪任务需要不同的外观模型吗？

PDF
TL;DR本研究提出了一种解决视频跟踪问题的通用方法 UniTrack，其包含单一的面部模型和多个任务特定的解决方案，可以通过监督学习或自监督学习进行训练，可以在大多数跟踪任务中获得与特定方法竞争的结果，并扩展方法的评估和比较范围。
video trackingcomputer visionunitracksupervised learningself-supervised learning
发现论文，激发创造
  • 视觉目标跟踪中的外观模型调查

    本文考虑了 2D 表现模型在视觉目标跟踪中的应用，针对其处理阶段的不同阶段给出分类，并就其从理论和实用角度进行了分析和讨论；本文对此问题未来研究提出了几点挑战。

    Mar, 2013

  • 传统单目标跟踪的超越：一项综述

    单目标跟踪是许多关键领域应用的重要任务，尽管它仍被认为是最具挑战性的视觉任务之一。本文针对单目标跟踪的应用，提出了一种基于新技术和趋势的方法分类，并对广泛使用的跟踪基准中方法的性能进行了比较分析，同时分析了这些方法的优缺点，并提出了非传统技术在单目标跟踪中的指导，最后提出了未来研究的潜在方向。

    May, 2024

  • 在线目标跟踪的外观模型深度学习

    本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

    Jul, 2016

  • 统一 Transformer 物体跟踪器

    该论文介绍了一种名为 Unified Transformer Tracker (UTT) 的模型，通过该模型，研究者们可以在同一框架下解决不同场景下的目标跟踪问题。该模型可以同时进行单目标跟踪（Single Object Tracking）和多目标跟踪（Multiple Object Tracking），并通过端到端训练来优化模型的表现。

    Mar, 2022

  • 一体化视觉目标跟踪：基于基础模型和高效调优

    基于首帧的初始外观，视觉目标跟踪旨在定位每一帧的目标对象。根据输入的不同类型，跟踪任务可分为 RGB 跟踪和 RGB+X（如 RGB+N 和 RGB+D）跟踪。本文提出了一个统一多种跟踪任务的通用框架，称之为 OneTracker。OneTracker 首先对称为 Foundation Tracker 的 RGB 跟踪器进行大规模预训练，使其具备估计目标对象位置的稳定能力，然后将其他模态信息视为提示，在 Foundation Tracker 的基础上构建 Prompt Tracker。通过冻结 Foundation Tracker 并仅调整一些额外可训练参数，Prompt Tracker 抑制了 Foundation Tracker 的强定位能力，并在下游的 RGB+X 跟踪任务上实现了参数高效微调。为了评估我们的通用框架 OneTracker 的有效性，我们在 11 个基准测试中对 6 个常见的跟踪任务进行了大量实验，结果显示 OneTracker 优于其他模型并取得了最先进的性能。

    Mar, 2024

  • 单模型和任意模态的视频目标跟踪

    通过低秩分解和重构技术，我们提出了一种统一跟踪器 Un-Track，该方法通过学习共同的潜在空间来处理任何模态，并且只使用 RGB-X 对来学习共同的表示，在单个基于转换器的体系结构中实现了有效的统一和适应任何缺失的模态，同时无需进行模态特定的微调。在五个具有不同模态的基准数据集上的广泛比较表明，Un-Track 超过了最先进的统一跟踪器和经过模态特定微调的对应物，验证了我们的有效性和实用性。

    Nov, 2023

  • 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

  • 用多路池化的判别性外观建模进行实时多目标跟踪

    本研究提出了一种多目标跟踪方法，通过使用新颖的 “多轨道汇聚模块” 同时处理所有的轨迹，从而避免了在场景中存在类似目标时模型对每个目标进行单独建模的缺陷，实现了在线实时操作和最先进的性能表现。

    Jan, 2021

  • 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

  • 物体追踪的大一统

    提出了一种统一方法 Unicorn，可以通过单个网络和相同的模型参数同时解决四个跟踪问题 (SOT、MOT、VOS 和 MOTS)，该方法采用相同的输入、主干、嵌入和头部，解决了现有跟踪器过度专业化特定任务的问题，并在包括 LaSOT、TrackingNet、MOT17、BDD100K、DAVIS16-17、MOTS20 和 BDD100K MOTS 在内的 8 个跟踪数据集上实现了与其特定任务的对应产品相当或更好的表现。

    Jul, 2022