Oct, 2023

分阶段深度相关和特征融合用于孪生物体追踪

PDF
TL;DR我们提出了一种名为 DCFFNet 的新型分阶段深度相关性和特征融合网络，用于进一步优化可视化跟踪的特征提取。我们基于孪生网络架构构建了我们的深度跟踪器，该网络从头开始离线训练，利用多个大规模数据集进行端到端训练。我们将改进的 ResNet-50 与提出的相关性融合层相结合，构成我们模型的特征提取器。广泛的实验结果表明，我们提出的方法在准确性和精度方面与许多领先的跟踪器相比具有竞争力，同时满足应用的实时要求。
发现论文，激发创造
  • 相关感知的深度跟踪

    我们提出了一种基于自注意力 / 交叉注意力的目标依赖特征网络，通过深度嵌入多层特征的交叉图像特征相关性，抑制了非目标特征，从而实现了实例变化的特征提取，在不需要额外的相关步骤的情况下可以直接用于预测目标位置，且可以灵活地在丰富的无配对图像上进行预训练，实现了较快的收敛速度和最先进的实时跟踪性能。

    Mar, 2022

  • SiamVGG：使用深度孪生网络进行视觉跟踪

    本篇研究提出了一种能够追踪物体的算法 SiamVGG，通过结合使用 Deep Neural Network 和 Convolutional Neural Network 技术以及 Cross-correlation 算子，可以在保证较高跟踪精度的同时达到较好的实时性能。

    Feb, 2019

  • DCFNet: 基于判别式相关滤波网络的视觉跟踪

    本文提出基于深度学习网络的 DCFNet 算法，利用卷积特征同时完成相关性跟踪过程，其效率和准确性在 OTB-2013, OTB-2015, and VOT2015 测试中表现优异。

    Apr, 2017

  • SiamRPN++：使用非常深的网络演变的孪生视觉跟踪

    研究者通过理论分析和实验证明了 Siamese trackers 缺乏严格的平移不变性，为此提出了一种用于改善性能的有效的空间感知采样策略。通过进行广泛的消融研究，该模型在四个跟踪基准中获得了最佳结果，包括 OTB2015、VOT2018、UAV123 和 LaSOT。

    Dec, 2018

  • DSNet：高效视觉跟踪的深浅特征学习

    本研究提出了一种深浅特征学习网络 DSNet，通过 MSC 特征的学习，利用任何基于 DCF 的方法进行有效的在线追踪，同时可显著提高跟踪速度。

    Nov, 2018

  • 多相关等式变压器网络与稠密连接用于 3D 单物体跟踪

    稀疏 LiDAR 点云数据仍然存在挑战，因此本文提出了一种多相关 Siamese Transformer 网络，通过在每个阶段末尾基于稀疏支柱进行特征相关，以学习搜索区域的特征并保持模板的独立特征。该算法在 KITTI、nuScenes 和 Waymo 数据集上取得了有希望的性能，并提供了对每个组件有效性的消融实验研究。

    Dec, 2023

  • 用判别滤波器和孪生网络进行视觉物体追踪：一项调查和展望

    该论文系统评估了 90 多个基于 DCFs 和深度 Siamese Network 的跟踪器在九个基准测试中的表现，讨论了这两种跟踪范例中相同和不同的挑战，并分析了它们的性能，最后给出了基于分析的挑战建议。

    Dec, 2021

  • 学习融合不对称特征映射在孪生跟踪器中

    该研究提出了一种可学习的模块 —— 不对称卷积 (ACM)，通过在大规模数据的离线训练中学习更好地捕获语义相关信息，有效克服了现有 Siamese 跟踪器中存在的问题。同时，将 ACM 集成到现有的 SiamFC，SiamRPN ++ 和 SiamBAN 中，实验证明 ACM 优于现有方法，在六项跟踪基准测试中均得到了令人满意的结果。

    Dec, 2020

  • 视觉跟踪的相关良好特征

    本文提出了一种用于视觉目标跟踪的深度全卷积特征学习方法，该方法使用基于网络的反向传播算法，并在性能分析中取得了较好的结果。

    Apr, 2017

  • 基于相关性学习的多目标跟踪

    本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力，从而在多目标跟踪方面取得了最先进的效果，并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。

    Apr, 2021