Dec, 2023

BACTrack: 建筑外观收集用于航空追踪

PDF
TL;DRSiamese network-based trackers have been successful in aerial tracking, but this work presents BACTrack, a tracking framework that builds a dynamic collection of target templates online and performs efficient multi-template matching, achieving robust tracking with top performance on aerial tracking benchmarks and high speed on GPU and embedded platforms.
发现论文，激发创造
  • 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

  • TCTrack: 航空跟踪的时间上下文

    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。

    Mar, 2022

  • 使用深度时间外观匹配联合进行在线多行人跟踪

    本研究提出了一种基于联合推理网络的轨迹外观模型，有效解决了在多目标跟踪中应对高维度外观信息的问题，且在识别目标与观测匹配以及保持目标的一致性方面具有重要贡献。

    Jul, 2019

  • 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

  • BackTrack：候选模板的反向跟踪实现稳健模板更新

    提出了一种稳健可靠的方法 BackTrack，通过对过去帧上的候选模板进行反向追踪来量化其置信度，从而基于 BackTrack 的候选置信度来更新模板，并在合适的时间拒绝不可靠的候选，该方法在各种追踪基准上验证了其相对于现有模板更新算法的有效性，达到了各种追踪基准的最佳性能。

    Aug, 2023

  • 城市尺度多摄像头多目标跟踪的改进：基于位置感知跟踪和盒粒度匹配

    多相机多目标跟踪（MCMT）是一种计算机视觉技术，用于在多台相机上同时跟踪多个目标。本文介绍了一种名为 CityTrack 的新型 MCMT 框架，其中包括一种集成了各种先进技术的位置感知 SCMT 追踪器以及一种用于 ICA 模块的新颖的 Box-Grained Matching（BGM）方法，该方法能够解决城市交通场景中的困难。在 CityFlowV2 数据集的公共测试集上评估了我们的方法，并取得了 84.91% 的 IDF1 指标，在 2022 AI CITY CHALLENGE 中排名第一。我们的实验证明了我们的方法在克服城市交通场景带来的挑战方面的有效性。

    Jul, 2023

  • STMTrack: 使用时空记忆网络进行无模板视觉跟踪

    本文提出一种基于空时内存网络的新型追踪框架，利用历史信息以适应目标外观的变化，采用像素级相似度计算实现更精准的边界框生成，能够在真实时间下跟踪并优于先前所有最先进的实时方案。

    Apr, 2021

  • 具有模态提示的时间自适应 RGBT 跟踪

    提出了一种新型的时域自适应 RGBT 跟踪框架 TATrack，该框架通过在线更新模板和跨模式交互，综合利用时空信息和多模态信息进行目标定位，并在三个常用 RGBT 跟踪基准上取得了最先进的性能。

    Jan, 2024

  • 基于时空多模态标记的 Transformer RGBT 跟踪

    提出了一种新颖的 Transformer RGBT 跟踪方法，通过融合静态多模态模板和多模态搜索区域中的时空多模态令牌来处理目标外观变化，以实现鲁棒的 RGBT 跟踪，并通过注意机制增强多模态模板令牌的目标特征，从而促进多模态增强的目标变化信息的传递。该方法在三个 RGBT 基准数据集上的实验证明了与其他最先进的跟踪算法相比具有竞争力的性能，帧率可达 39.1。

    Jan, 2024

  • 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