CVPRSep, 2021

使用前向神经网络进行无外貌目标跟踪的挑战

PDF
TL;DR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。
发现论文，激发创造
  • 人类和机器中的无需重新识别追踪

    研究深度神经网络在视觉追踪中是否具有物体外观和运动特征模拟的能力，并提出了一种追踪对象基于动态线索电路模型，并将之加到基于转换器的体系结构进行追踪，使其具有更好的普遍性和鲁棒性。

    May, 2021

  • 基于深度外观和运动特征融合的无模型跟踪

    本研究基于卷积神经网络设计了一种实时的无模型对象跟踪方法，通过研究外观和运动特征，提出了一个端到端的离线训练的两流网络 AMNet，该网络通过匹配策略追踪目标并深度检测来定位目标，在 OTB 和 VOT 基准数据集上取得了领先的性能。

    Dec, 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

  • PhyOT：物理信息导向的监控摄像头目标跟踪

    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

  • 深度追踪：使用循环神经网络看到超越视野

    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

  • 深度特征级联自适应跟踪策略学习

    本文提出了一种自适应的视觉目标跟踪方法，通过离线学习增强学习代理来决定何时在浅层或深层特征下对图像进行处理，从而实现在单个 CPU 上快速跟踪，同时为几乎 50% 的时间提供了 100 倍的速度提升。

    Aug, 2017

  • 基于深度强化决策的实时视觉跟踪

    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

  • 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

  • 目标感知深度追踪

    本文提出一种新颖的方案来学习目标感知特征，用于视觉跟踪，并将目标感知特征与孪生匹配网络相结合，实现与最先进技术相比精度和速度均有优异表现。

    Apr, 2019

  • 使用深度回归网络学习以 100 FPS 跟踪

    提出了一种离线预训练神经网络的方法，可使跟踪速度高达 100 fps，而不需要在线训练，用于跟踪不出现在训练集中的新颖对象

    Apr, 2016