CVPRApr, 2023

SeqTrack：用于视觉目标追踪的序列到序列学习

PDF
TL;DR本论文提出了一个新的序列到序列学习框架 SeqTrack 来进行视觉跟踪，将视觉跟踪作为一个序列生成问题，该问题可以在自回归的基础上预测物体的边界框，SeqTrack 架构只采用一个简单的编码器解码器变压器架构，并在多个基准测试上达到了竞争性能水平。
visual trackingsequence-to-sequence learningautoregressive fashiontransformer architecturestate-of-the-art performance
发现论文，激发创造
  • 面向序列级别的视觉跟踪训练

    该论文提出了一种基于强化学习的序列级别训练策略，旨在通过数据采样、学习目标和数据增强的序列级别设计，提高视觉追踪算法的准确性和鲁棒性，实验证明这种方法可以持续提高四个典型的跟踪模型的准确性而不需要修正体系结构。

    Aug, 2022

  • 学习时空变换器进行视觉跟踪

    本文提出一种新的追踪架构，它以编码 - 解码变压器作为核心组件，将目标追踪转化为直接边界框预测问题，从而实现了端到端模型，无需使用任何先前设定的锚点或提案等后处理步骤。

    Mar, 2021

  • SeqTR: 一种简单而通用的视觉定位网络

    本文提出了一个名为 SeqTR 的简单且通用的网络，用于视觉定位任务和指代表达理解任务，通过将视觉定位问题视为图像和文本输入的点预测问题，可以在 SeqTR 网络中统一视觉定位任务而无需任务特定的分支或头，使用简单的交叉熵损失进一步降低了手工损失函数的复杂性，并且在五个基准数据集上进行的实验证明了 SeqTR 的可行性和优越性。

    Mar, 2022

  • SeqTrack3D：探索序列信息以提升稳健的 3D 点云跟踪

    SeqTrack3D 是一种基于 Sequence-to-Sequence 追踪范式的 3D 单目标追踪器，通过结合历史点云和边界框序列以确保鲁棒追踪，即使在稀疏点场景中也能利用历史边界框位置先验知识。在大规模数据集上的广泛实验表明，SeqTrack3D 实现了最新的最佳性能，NuScenes 上提高了 6.00％，Waymo 数据集提高了 14.13％。

    Feb, 2024

  • 视频视觉目标跟踪的深度强化学习

    本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

    Jan, 2017

  • 使用 Transformer 的视觉跟踪

    本文介绍了一种基于 Transformer 编码器 - 解码器架构和强有力的注意机制的新型追踪器网络，通过自我关注模块和交叉注意力，提高了全局和丰富的背景信息获取，支持超越局部特征的追踪效果，在多个基准测试上表现出优异的性能。

    May, 2021

  • 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

  • TrackFormer：基于 Transformer 的多目标跟踪

    TrackFormer 是基于编码器 - 解码器变压器架构的端到端可训练的多目标追踪方法，利用注意力实现帧到帧的数据关联，以查询的形式自回归地跟踪现有轨迹并初始化新轨迹，能够实现目前最先进的多目标跟踪的性能。

    Jan, 2021

  • TransTrack：基于 Transformer 的多目标跟踪

    本文提出了 TransTrack，该方法利用 Transformer 架构解决多目标跟踪问题，采用对象特征作为当前帧的查询并引入一组学习对象查询以检测新对象，通过实现单次检测和跟踪建立了新的联合检测和跟踪范例，在 MOT17 和 MOT20 基准测试中达到了 74.5％和 64.5％的 MOTA，是一种优秀的多目标跟踪方法。

    Dec, 2020

  • Lane2Seq: 通过序列生成实现统一的车道检测

    通过序列生成任务，提出了一个新的车道检测框架 Lane2Seq，它能够统一各种车道检测格式，并使用简单的交叉熵损失函数，同时还引入增强学习来提高模型的性能。实验结果显示，该简单的序列生成范式不仅能够统一车道检测，还在两个基准数据集上取得了竞争性能，分别获得了 Tusimple 数据集和 LLAMAS 数据集的 97.95％和 97.42％F1 得分，成为两个基准测试的最新成果。

    Feb, 2024