CVPRDec, 2021

用于视觉目标跟踪的判别性单次分割网络

PDF
TL;DR提出了一种具有判别性的单次拍摄分割跟踪器 D3S2，通过应用两种具有互补几何属性的目标模型，一种对广泛变换不变，包括非刚体变形，另一种假设刚性对象可同时实现稳健的在线目标分割。该跟踪器在不进行数据集微调的情况下，只训练分割作为主要输出，便比所有已发布的跟踪器在最近的短期跟踪基准 VOT2020 上表现更好，并且非常接近于 GOT-10k、TrackingNet、OTB100 和 LaSoT 上的最先进的跟踪器，D3S2 在视频目标分割基准上表现优于领先的分割跟踪器 SiamMask，并与顶级的视频目标分割算法相当。
single-shot segmentation trackerd3s2visual object trackingvideo object segmentationtransformations
发现论文，激发创造
  • D3S -- 一种具有区分度的单镜头分割跟踪器

    提出了一种区分性单射分割跟踪器 - D3S，通过应用两个具有互补几何特性的目标模型，一个针对广泛的变换，包括非刚性变形，另一个假设为刚体对象，实现了高鲁棒性和在线目标分割，在 VOT2016、VOT2018 和 GOT-10k 基准测试中性能优于所有跟踪器，并接近于 TrackingNet 的最先进跟踪器，在视频对象分割基准测试中优于领先的分割跟踪器 SiamMask，性能与顶级视频对象分割算法相当，运行速度接近实时。

    Nov, 2019

  • 基于时间聚合网络和动态模板匹配的快速视频对象分割

    本文介绍了一种将 “tracking-by-detection” 引入视频对象分割的方法，通过提出一种新的时间聚合网络和新的动态时间演进模板匹配机制，成功将分割与跟踪相一致，并在 DAVIS 基准测试中取得了新的最优表现。

    Jul, 2020

  • 一种在线多目标跟踪器：检测与分割

    本文提出了一种新的在线联合检测和跟踪模型 ——TraDeS，该模型充分利用跟踪线索来辅助检测，并通过代价体推断对象跟踪偏移量，用于传播先前对象特征，从而改善当前对象的检测和分割。

    Mar, 2021

  • M3SOT：多帧、多场、多空间的 3D 单目标跟踪

    3D 单目标跟踪是计算机视觉的前沿任务之一，本研究提出了一种基于点云的全新 3D 单目标跟踪框架 M3SOT，通过多个输入帧、多个感受野和多个解决空间的协同作用，从点云中直接建模时间性、上下文信息和任务，以实现高效的目标跟踪应用。M3SOT 的实验表明，在 KITTI、nuScenes 和 Waymo Open Dataset 等基准上，其性能达到了最先进的水平，帧率达到了 38 帧每秒。

    Dec, 2023

  • 具有辨别性和鲁棒性的孪生视觉跟踪在线学习

    本文提出一个在线模块，带有离线 siamese 网络中的注意机制，用于提取基于 L2 误差下的目标特定特征。我们进一步提出了适应性的滤波器更新策略以处理背景噪声和模板更新策略以处理大目标形变，其在三个 siamese 基线上的持续改进中得到了显着有效性验证，并且基于 SiamRPN++ 的模型在六个受欢迎的跟踪对比基准中获得了最佳结果，可以超出实时操作。

    Sep, 2019

  • 快速在线物体跟踪和分割：一种统一的方法

    该研究介绍了一种名为 SiamMask 的方法，可实现单个简单方法的实时视觉对象跟踪和半监督视频对象分割。 在实时操作过程中，SiamMask 仅依赖于单个边界框初始化，以每秒 55 帧的速度产生类不可知对象分割掩模和旋转边界框。 该方法在 VOT-2018 实时跟踪器中实现了新的最新技术，同时在 DAVIS-2016 和 DAVIS-2017 的半监督视频对象分割任务中提供了最佳速度和最佳性能。

    Dec, 2018

  • 单次视频目标分割

    本文提出一种基于神经网络的半监督视频目标分割技术，能够在保证处理速度的前提下提升目标分割的效果。

    Nov, 2016

  • 基于匹配的视频对象分割：VideoMatch

    该研究提出了一种基于匹配的视频目标分割算法，在不需要 fine-tuning 的情况下实现了实时性和较短的计算时间。

    Sep, 2018

  • 视频对象分割的一次性训练

    本论文提出了一种视频目标分割 (VOS) 的新的一次性训练框架，只需要一个标记的帧来训练，并适用于大多数最先进的 VOS 网络。通过双向训练，我们得到了一个令人满意的 VOS 网络，仅使用了 YouTube-VOS 和 DAVIS 数据集的一个标记的帧，达到了与完全标记的数据集训练的结果相当的效果。

    May, 2024

  • 基于分割的鲁棒视觉跟踪

    本文提出了一种基于分割的跟踪器，通过分割掩码来描述目标，相较于边框，在形状和对齐上更加精确，并且引入了一个独立的实例定位组件用于提高跟踪的鲁棒性，最终在挑战的数据集上取得了 69.7% 的成功率。

    Mar, 2022