Dec, 2023

PhyOT：物理信息导向的监控摄像头目标跟踪

PDF
TL;DR通过深度学习和算法的融合，我们提出了一种用于物体追踪的混合模型 (PhyOT)，该模型将深度神经网络视为卡尔曼滤波器中的 “传感器”，利用牛顿运动定律的先验知识来融合传感器观测并进行改进的估计。实验结果表明，我们的 PhyOT 在极端条件下可以追踪物体，而在一般情况下与现有的深度学习方法相比性能不降低。还有研究结果表明，我们的 PhyOT 组件具有泛化和可转移性。
发现论文，激发创造
  • 深度追踪：使用循环神经网络看到超越视野

    本文提出了一种新的端到端的物体跟踪方法，它直接从原始传感器输入到物体的轨迹映射，而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模，通过一种输入丢弃的学习方法，能够在无监督的情况下处理包括遮挡物在内的传感器数据，学习跟踪许多动态物体，适用于机器人类应用中常见的 2D 激光数据跟踪任务。

    Feb, 2016

  • 实时多目标跟踪的混合方法

    通过将光流算法与深度学习架构相结合，提出了一种混合策略来实现实时目标追踪，实现了在追踪精度和计算成本之间的理想平衡，相比其他最先进方法在 MOTA 上达到了 0.608 的结果，并且运行时间减少了一半，准确性基本相同。

    Aug, 2023

  • 人类和机器中的无需重新识别追踪

    研究深度神经网络在视觉追踪中是否具有物体外观和运动特征模拟的能力，并提出了一种追踪对象基于动态线索电路模型，并将之加到基于转换器的体系结构进行追踪，使其具有更好的普遍性和鲁棒性。

    May, 2021

  • 使用前向神经网络进行无外貌目标跟踪的挑战

    介绍一项用于挑战深度神经网络的视觉测试 $ extit {PathTracker}$，揭示深度卷积神经网络在处理带有障碍物或远距离运动的物体运动路径时的盲点，期待类似于生物视觉的外观无关物体跟踪策略能解决深度神经网络的这一瓶颈。

    Sep, 2021

  • 单目物体姿态检测和跟踪的深度学习：综述

    本研究对基于深度学习技术路线的三种主要任务：单个物体实例级别姿态检测、类别级别姿态检测和单目物体姿态跟踪的方法进行了全面的综述，详细介绍了检测和跟踪的度量、数据集和方法，并在几个公开可用的数据集上提出了现有最先进方法的比较结果，同时提供了深入的观察和启发未来研究方向。

    May, 2021

  • 深度自适应计算策略用于高效视觉跟踪

    本研究提出了一种深度自适应的卷积 Siamese 网络，使用参数门控函数控制卷积的深度以平衡跟踪精度和计算成本，在 VOT2016 基准测试上取得了可比较的精度。同时，对比传统的固定结构神经网络，在给定计算成本下取得了更高的精度，该框架可以在卷积神经网络的其他任务中使用，并使运行时的速度与准确性交换。

    Jan, 2018

  • 深度特征级联自适应跟踪策略学习

    本文提出了一种自适应的视觉目标跟踪方法，通过离线学习增强学习代理来决定何时在浅层或深层特征下对图像进行处理，从而实现在单个 CPU 上快速跟踪，同时为几乎 50% 的时间提供了 100 倍的速度提升。

    Aug, 2017

  • 超越卡尔曼滤波：基于深度学习的滤波器改进的物体追踪

    我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。

    Feb, 2024

  • 深度学习方法用于物体跟踪、速度估计和传感器数据随时间的投影

    本研究提出了一种基于 Transformer 机制的新型循环神经网络单元，该单元能够利用序列传感器录音中的时空相关性，并跟踪对象编码，以获取场景动态和回归速度，并根据提取的速度估计将循环神经网络的内存状态进行投影，以解决空间和时间不对齐的问题。

    Jun, 2023

  • 多目标运动建模联合检测与跟踪

    引入基于深度学习的运动建模网络（DMM-Net）估算多个物体的运动参数，可用于联合检测和关联，以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集，消除了检测器对多目标跟踪性能评估的影响，该方法取得了比传统方法更好的性能，速度更快。

    Aug, 2020