Dec, 2023

极低 SNR 对象的顺序检测和跟踪

PDF
TL;DR提出了一种顺序检测和追踪（SDT）方法，用于检测和追踪信噪比极低的物体。通过与两种现有的粒子滤波器追踪之前追踪（TBD）方法进行比较，表明前者的表现优于后者。作为对比基准，考虑了基于单数据帧阈值的常规检测和追踪（CDT）方法。通过模拟实验展示了性能。
sequential detection and trackinglow signal-to-noise objectsparticle filter track-before-track methodsconventional detection and tracking approachsimulations
发现论文，激发创造
  • 自适应时间表面上的异步检测跟踪用于事件驱动目标跟踪

    本文提出了异步事件跟踪（ETD）方法，基于异步视网膜事件以及自适应时间表面与线性时间衰减（ATSLTD）算法。该方法实现了在具有较高时间分辨率的情况下，对包围框对象的准确和高效跟踪。实验结果表明，相对于传统摄像头或事件相机的七种常用对象跟踪方法以及 ETD 的两种变体，该方法具有更好的处理能力。

    Feb, 2020

  • 低光环境下目标跟踪的综合研究

    在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

    Dec, 2023

  • 追踪嘈杂目标：近期物体追踪方法综述

    本文对视觉物体跟踪算法的最新趋势和进展进行了广泛的综述，评估了在噪声存在的情况下跟踪器的鲁棒性。我们发现，没有任何一种算法在噪声存在的情况下能够与无噪声条件下的效率相同，因此需要在评估新提出的跟踪算法时包含一个鲁棒性参数。

    Feb, 2018

  • DiffusionTrack: 多目标跟踪的扩散模型

    提出了一种简单但健壮的框架，将物体检测和关联作为从配对噪声框到配对真实框的一致去噪扩散过程来联合建模，通过新颖的渐进去噪扩散策略大幅提升了跟踪器的效果，在推理中，模型通过灵活的一步或多步去噪扩散过程，将一组随机生成的配对框优化为检测和跟踪结果，大范围实验证明了该方法在多个 MOT 基准测试上与当前最先进的方法相当。

    Aug, 2023

  • SRT3D：一种基于稀疏区域的现实世界三维物体跟踪方法

    本研究提出 SRT3D，一种基于稀疏区域的方法，利用预先呈现的稀疏视点模型和基于新的牛顿优化方法的后验概率，实现纹理极少物体在场景中的快速而准确的运动跟踪。

    Oct, 2021

  • 使用时空采样网络的视频物体检测

    本文提出了一个名为 Spatiotemporal Sampling Network (STSN) 的模型，使用了时间上的可变卷积，在视频中进行目标检测。通过从相邻的帧中学习空间采样特征，本文展示了 STSN 具有鲁棒性，并且不需要额外的监督。该模型在 ImageNet VID 数据集上表现优异，并且相比于之前的视频目标检测方法，本文的方法利用了更简单的设计且对于训练没有光流数据的要求。

    Mar, 2018

  • 全卷积孪生网络用于目标跟踪

    使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

    Jun, 2016

  • S4OD: 单阶段目标检测的半监督学习

    本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

    Apr, 2022

  • 环境反漏信号检测的深度迁移学习

    本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

    Sep, 2020

  • LSTD: 一种用于目标检测的低样本迁移检测器

    本文提出了一种利用源域知识和少量训练数据构建有效目标检测算法的低样本迁移检测器（LSTD），并应用基于转移知识和背景压制的正则化方法进一步提高微调性能。实验表明，LSTD 在低样本检测任务上性能优于其他方法。

    Mar, 2018