CVPRMar, 2022

TCTrack: 航空跟踪的时间上下文

PDF
TL;DR本文提出了一种全面利用时间上下文进行航空追踪的框架，名为 TCTrack，该框架在特征提取和相似度图优化方面使用了时间上下文。实验表明，TCTrack 在四个航空追踪基准测试数据集上的效果令人印象深刻，并且在 NVIDIA Jetson AGX Xavier 上实现了高达 27 FPS 的高速。
发现论文，激发创造
  • 基于时间上下文的真实世界视觉跟踪

    提出了一种利用时间上下文的双层框架 (TCTrack)，用于实现更强大的现实世界视觉跟踪，并在特征提取和相似度图优化方面进行了改进。

    Aug, 2023

  • 无人机跟踪的多步骤时间建模

    MT-Track 是一种高效的多步骤时间建模框架，用于增强无人机跟踪任务中的时间上下文，并通过独特的时间相关模块和互补转换模块来提高跟踪准确性。

    Mar, 2024

  • 面向高速视觉跟踪的上下文感知深度特征压缩

    提出了一种新的上下文感知相关滤波跟踪框架，通过利用多个专家自编码器实现的上下文感知方案进行深度特征压缩来实现高计算速度和最先进的性能。

    Mar, 2018

  • ACTrack: 为视觉目标跟踪添加时空条件

    我们提出了 ACTrack，一个新的跟踪框架，通过冻结参数来保留预训练的 Transformer 骨干的质量和能力，并使用可训练的轻量级加法网络来建模跟踪中的时空关系，实验结果证明 ACTrack 能够在训练效率和跟踪性能之间取得平衡。

    Feb, 2024

  • HiFT：用于航拍跟踪的分层特征变换器

    本文提出了一种基于 Siamese 的跟踪方法，采用分层特征变换对多级卷积层生成的分层相似度图进行交互式融合，提高了全局的上下文信息，更高效地学习多级特征之间的相互依赖关系，并且实现了在实时速度情况下的实际应用，该方法在四个空中基准测试中被证明具有很好的效果。

    Jul, 2021

  • Context R-CNN: 针对每台摄像机的长期时间上下文目标检测

    本文提出了一种基于注意力机制的方法，通过利用一个摄像头的未标记视频帧的时间上下文来提高该摄像头的目标检测性能，并将其应用于两种场景：使用相机陷阱的物种检测和在交通摄像头中的车辆检测。结果表明，Context R-CNN 比强基线方法获得了更好的性能，并且增加时间跨度有助于提高性能。

    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

  • AutoTrack：面向自动时空正则化的无人机高性能视觉跟踪

    提出了一种自适应在线学习以提高无人机（UAV）目标跟踪和定位的方法，该方法通过引入空间本地响应地图变化作为空间正则化，并使用全局响应地图变化来确定滤波器的更新速率，优于基于 CPU 和 GPU 的跟踪器，速度为每秒约 60 帧，具有较高的有效性和多功能性。

    Mar, 2020

  • Context-TAP：跟踪任何点并使用空间上下文特征

    该研究提出了一种新的视频点追踪框架 Context-TAP，通过聚合空间上下文特征，有效地提高了点轨迹的准确性。

    Jun, 2023

  • ProContEXT: 探索逐渐演变的上下文变换器用于跟踪

    本研究提出了一种基于 Progressive Context Encoding 的可变模板追踪，利用空间和时间上下文预测物体运动轨迹，同时探索了多种上下文的建模方法并在多个基准数据集上获得了最先进的性能。

    Oct, 2022