Feb, 2024

热红外目标跟踪中贝叶斯滤波的防御与复兴

PDF
TL;DR在复杂情景中，本文介绍了一种新颖的深度贝叶斯滤波（DBF）方法，用于增强热红外（TIR）目标跟踪，通过利用运动数据来估计目标对象的潜在位置并动态更新模板，DBF 方法在多个基准数据集上取得了竞争性的性能，胜过大多数现有的 TIR 跟踪方法。
thermal infrared object trackingdeep learningdeep bayesian filteringmotion datatemplate update strategy
发现论文，激发创造
  • 热红外追踪的多任务驱动特征模型

    该论文提出了一种基于多任务学习的框架，学习适用于红外追踪的特征模型，并使用大规模红外训练数据集来优化该模型。在三个基准测试中，实验结果表明，该算法的相对增益达到 10％，表现优于现有的方法。

    Nov, 2019

  • 深度贝叶斯滤波在贝叶斯可信数据同化中的应用

    提出了用于非线性状态空间模型的深度贝叶斯滤波（DBF）方法，通过构建新的潜在变量并利用高斯逆观测算子进行数据同化，使得 DBF 的后验分布始终保持高斯性质，克服了采样误差积累的问题，并在各种任务和条件下优于基于模型和潜在同化方法。

    May, 2024

  • EANet：增强的基于属性的 RGBT 跟踪器网络

    提出了一种深度学习的图像跟踪方法，将 RGB 图像和红外热像合并进行特征提取和人工属性应用的跟踪，此方法在 RGBT234 和 LasHeR 这两个最广泛使用的 RGBT 目标跟踪数据集上表现优异。

    Jul, 2023

  • 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

  • 热红外物体跟踪的深度多层相似度学习

    本研究提出一种多层相似性模型来提高红外物体跟踪的辨别能力，其中利用了卷积层计算 TIR 对象的全局语义相似度和本地结构相似度，通过一种相对熵的集成子网络进行集成，并构建了大规模 TIR 视频序列数据集以优化算法效果。

    Jun, 2019

  • 基于物理启发的深度网络的热图像处理

    DeepIR 是一个新的热成像处理框架，结合了精确的传感器建模和深度网络图像表示，可用于开展无需训练数据和已知黑体目标的计算机视觉任务，并采用多张图像噪声抑制和超分辨率算法，实现高质量的非均匀校正。

    Aug, 2021

  • 红外和可见光图像的贝叶斯融合

    利用贝叶斯融合模型，运用 EM 算法，对红外图像和可见光图像进行融合，通过加入 total-variation penalty 来增强目标的自动检测和识别系统，从而得到具有更丰富细节和高光目标的融合图像。

    May, 2020

  • 用于红外物体追踪的大边界结构化卷积算子

    本文提出了一种利用大边界结构卷积算子 (LMSCO)、空间规则化和隐式插值获取持续深特征图实现 TIR 物体追踪的方法，并通过协作优化策略得到新的操作符，继承 SOSVM 强大辨识能力优势，使用高维特征和更密集样本实现准确、鲁棒性高的 TIR 物体追踪，该方法在两个热红外追踪基准测试中具有出色的结果，在准确性和鲁棒性方面优于大多数最先进的追踪器，帧速度足够

    Apr, 2018

  • 深度蒸馏下的散焦模糊检测

    本文提出了一种将深度信息引入到 DBD 任务中，使用知识蒸馏的方法共同学习深度和模糊信息，设计了一个新的 FCN 网络结构，利用选择式接收域块和监督引导注意力块来提高多尺度特征的合并效率，实验证明该方法优于 11 种其他最先进的方法，并且单 GPU 上运行速度达到 30fps 以上，是以前方法的两倍更快。

    Jul, 2020

  • LSOTB-TIR: 大规模高多样性热红外物体跟踪基准

    本文介绍了一个大规模高多样化的热红外物体跟踪基准测试，名为 LSOTB-TIR。该数据集包含 1400 个 TIR 序列和超过 600K 帧。我们定义了 4 种情景属性和 12 种挑战属性来评估跟踪器，鼓励社区开发基于深度学习的 TIR 跟踪器并进行全面公正的评估。在 LSOTB-TIR 上评估和分析了 30 多个跟踪器提供一系列基线，并且结果表明，深度跟踪器具有良好的性能。该数据集和代码均已公开发布。

    Aug, 2020