Aug, 2021

学习匹配：用于视觉跟踪的自动匹配网络设计

HTML
PDF
TL;DR本文提出了六种新的匹配操作符，从特征融合的角度而不是显式相似性学习来探索匹配操作符的选择，并且提出了二进制通道操作来搜索最佳匹配操作符的组合，最后将学习匹配网络插入到一个强大的基线跟踪器Ocean中，通过OTB100，LaSOT和TrackingNet三个数据集的对比实验，实现SRDCF的追踪精度提高到了67.2->71.4, 52.6->58.3和70.3->76.0，本文提出的跟踪器称为AutoMatch
发现论文，激发创造
  • 元追踪器：快速且强韧的在线适应视觉目标追踪器

    本文提出一种基于元学习的离线方法，以调整在线适应式跟踪中使用的初始深度网络，以实现更快速、准确和鲁棒的跟踪。实验证明，该方法在OTB2015和VOT2016标准基准测试中优于当前最先进的跟踪方法。

    Jan, 2018

  • 基于孪生网络的视觉目标跟踪器匹配优化

    在本文中，我们提出了两种简单而有效的机制：角度估计和空间遮罩，以解决Siamese网络追踪器的旋转和背景干扰问题，并提出了一个名为Siam-BM的结果追踪器，它不仅显着提高了追踪性能，而且更重要的是保持了实时性。在VOT2017数据集上的评估表明，Siam-BM实现了0.335的EAO，这使其成为迄今为止表现最佳的实时追踪器。

    Sep, 2018

  • 学习回归和验证网络以进行长期视觉跟踪

    我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

    Sep, 2018

  • 视觉跟踪的深度学习: 一项综述

    本文对深度学习手段在视觉目标跟踪中的应用作了全面综述，包括常用的数据集、评估指标以及当前领先的跟踪器，并对它们进行了量化和定性分析，旨在为实践者在选择方案时提供指导和对未来方向进行探讨。

    Dec, 2019

  • Transformer Meets Tracker: 挖掘时间上下文，提高鲁棒性视觉跟踪

    本文提出了一个基于transformer的视频物体跟踪器，在Siamese-like跟踪管道中，编码器在模板中注入了基于注意力机制的特征强化以增强模型生成质量，解码器传递上一个模板的跟踪线索到当前帧以方便目标搜索，结果本方法作为一种最先进的记录在普遍跟踪基准上获得了成功。

    Mar, 2021

  • 可学习的图匹配: 将图分割与深度特征学习结合用于多目标跟踪

    本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准MOT数据集上取得了最先进的性能。

    Mar, 2021

  • 基于单元级可微神经架构搜索的鲁棒视觉跟踪（CHASE）

    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。

    Jul, 2021

  • 通过双分支全Transformer网络学习跟踪表示

    提出了一种仅基于Transformer的连体双支路网络，用于目标跟踪。该方法比第一步使用CNN提取特征，然后使用Transformer融合它们的最佳方法产生更好或可比的结果，在GOT-10k和VOT2020基准上优于现有技术。此外，该方法实现了实时推理速度（约40fps）并且代码和模型将被公布。

    Dec, 2021

  • 多注意力关联预测网络用于视觉跟踪

    提出了一种多注意力关联预测网络（MAPNet），用于解决现有模型中存在的问题，并构建了一个基于该预测网络的模型，在五个追踪基准测试中取得了领先的性能。

    Mar, 2024

  • Diff-Tracker：文本到图像扩散模型是无监督跟踪器

    通过Diff-Tracker方法，利用预训练的文本到图像扩散模型，能够有效地解决无监督的视觉跟踪问题，并取得了最先进的性能。

    Jul, 2024