基于机器学习的物体追踪
该论文考虑了在图像序列中检测和跟踪对象的问题,使用对象检测算法的输出作为测量,提出了一种扩展的过滤公式,将前一帧的类别信息纳入以增强分类的鲁棒性,即使对象检测算法输出错误的预测。此外,利用对象检测算法的属性量化了每帧中界定框检测的不确定性,该完整的过滤方法在瑞典四种大型食肉动物(熊、猞猁、狼和狼)的照相机陷阱图像上进行了评估,实验结果表明类别跟踪公式可以得到更强大的分类。
Oct, 2023
文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题,提出了一种实时的对象定位和跟踪策略,将对象检测和跟踪有效地集成到动态卡尔曼模型中,并使用卡尔曼滤波提供对象状态的粗略预测,而无需对其进行手动初始化,具有比同类技术更快的运行速度和竞争性的跟踪性能。
Mar, 2017
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
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
本文综述了利用深度学习模型解决单摄像头视频的多目标跟踪任务的研究,总结了该任务中的四个主要步骤,并深入探讨了如何在每个步骤中利用深度学习。此外,还提供了对三个 MOTChallenge 数据集中所呈现的工作的完整实验比较,并确定了最优解方法之间的若干相似之处,提出了一些可能的未来研究方向。
Jul, 2019
该研究论文介绍了一个利用机器学习物体检测组件开发的无人机检测系统的过程,旨在达到可接受的性能要求,并提供足够的证据,以满足 ED 324 / ARP 6983 标准的建议(即将发布),从而对设计的系统的可靠性充满信心。
Jun, 2024
本文介绍了使用多目标跟踪(MOT)实现文档图像中线性对象精确实例分割的框架,包括数据集、性能评估以及性能对比。文章还提供了开源的实现,可以区分曲线、擦除、破折号、交叉和 / 或重叠的线性对象实例。
May, 2023
本文提出了一种基于深度学习的新方法,用于基于视觉的单目标跟踪,该方法结合了卷积神经网络和贝叶斯损失层,提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上,该跟踪器达到了最先进的跟踪结果。
Jul, 2016
自动驾驶中的目标检测和跟踪是重要且基础的任务,旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于 3D 目标检测和跟踪的研究进展,以帮助更好地了解该领域的现状。
Nov, 2023
本研究采用深度强化学习的端到端方法,结合 ConvNet-LSTM 函数的预测能力,提出了一种针对活动物体追踪的解决方案,并通过环境增强技术和定制的奖励函数进行训练。结果表明,在模拟器中训练的跟踪器能够在未知的物体移动路径、外观、背景和干扰物的情况下表现良好。实验还表明,单独在模拟器中训练的跟踪能力具有潜在的适用性和推广性,可以在真实情况下进行。
May, 2017