Jul, 2021

基于单元级可微神经架构搜索的鲁棒视觉跟踪（CHASE）

PDF
TL;DR该研究提出了一种基于可微分的单元结构自动寻找骨干特征的追踪网络的网络设计机制，旨在解决目标跟踪中由手动设计网络结构所产生的挑战与时间成本问题，实现了在不需要堆叠一系列模块的情况下，通过提出的策略避免了过拟合与性能崩溃问题的影响，实验结果表明优于常用的五种基准方法。
visual object trackingneural architecture searchsiamese tracking networksdifferentiable architecture searchperformance improvement
发现论文，激发创造
  • Backbone 是你所需要的一切：一种用于视觉物体跟踪的简化架构

    本文提出了一种 Simplified Tracking 架构（SimTrack），通过利用变压器骨干联合特征提取和交互，进一步提高现有的跟踪方法，并通过提出的 foveal 窗口策略降低了视觉变换器的信息损失，提供更多的可接受计算代价的多样化输入补丁。我们的 SimTrack 在 LaSOT/TNL2K 上取得了 2.5％/2.6％的 AUC 增益，并获得了与其他专业跟踪算法相竞争的结果，而不需要有复杂的高级特性。

    Mar, 2022

  • 学习判别模型预测跟踪

    我们提出了一种基于区分性损失函数的端到端可训练的视觉跟踪器，可以有效地利用目标和背景外观信息进行目标模型预测，并在 6 个跟踪基准测试中取得了新的最好成绩。

    Apr, 2019

  • 可微架构搜索：DARTS

    本文介绍了一种基于可微分的连续松弛方法来应对体系结构搜索的可扩展性挑战，该方法可在 CIFAR-10、ImageNet、Penn Treebank 和 WikiText-2 等数据集中快速搜索高性能的卷积体系结构和循环体系结构。

    Jun, 2018

  • SANet：面向结构感知的视觉跟踪网络

    使用递归神经网络结合卷积神经网络提取物体自身结构信息来增强视觉追踪系统对于相似干扰的鲁棒性。在 OTB100、TC-128 和 VOT2015 三个基准测试集上不仅表现优异，且代码已经公开发布。

    Nov, 2016

  • 深度自适应计算策略用于高效视觉跟踪

    本研究提出了一种深度自适应的卷积 Siamese 网络，使用参数门控函数控制卷积的深度以平衡跟踪精度和计算成本，在 VOT2016 基准测试上取得了可比较的精度。同时，对比传统的固定结构神经网络，在给定计算成本下取得了更高的精度，该框架可以在卷积神经网络的其他任务中使用，并使运行时的速度与准确性交换。

    Jan, 2018

  • 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

  • LightTrack: 通过一次架构搜索找到用于目标跟踪的轻量级神经网络

    使用神经架构搜索设计轻量级和高效的物体追踪器，实现更好的性能并在资源受限的应用中取得快速运行，从而缩小物体追踪任务中学术模型和工业部署之间的差距。

    Apr, 2021

  • 用于语义视频分割的动态单元体结构搜索

    本文旨在开发一种通用方法，以前沿的语义视频分割技术结构为基础，通过使用神经体系结构搜索解决方案，设计连接每帧网络输出的上下文块。利用通用的方法，该方法能在市区景观和 CamVid 数据集等常见基准测试中实现稳定和准确的结果，并且仅需要 2 GPU 天即可完成。

    Apr, 2019

  • 教师指导的架构搜索

    使用表征相似性分析来评估待选网络内部激活与固定高性能教师网络的相似性可以提高搜索效率。结果表明，这种方法可以以比现有算法更低的计算成本发现相关于已知算法性能的卷积细胞结构，并且只需使用灵长类视觉系统中大约 300 个神经元的测量数据即可实现优于基于性能的搜索方法的结果。

    Aug, 2018

  • SM-NAS: 结构到模块化神经架构搜索用于目标检测

    本篇论文提出了一种名为 SM-NAS 的两阶段粗到细搜索策略，用于搜索既具有高效的模块组合也具有更好的模块级架构的 GPU 友好设计，优于现有的目标检测系统，为多种检测数据集提供更快的推理时间和更高的准确性。

    Nov, 2019