一种新的边界框回归方法用于单目标跟踪

May, 2024

一种新的边界框回归方法用于单目标跟踪

A Novel Bounding Box Regression Method for Single Object Tracking

Omar Abdelaziz, Mohamed Sami Shehata

TL;DR本研究通过引入两种新的边界框回归网络（inception 和 deformable）来在目标检测中提高定位准确性，并在多个基准测试中取得了优于现有方法的表现。

Abstract

Locating an object in a sequence of frames, given its appearance in the first frame of the sequence, is a hard problem that involves many stages. Usually, state-of-the-art methods focus on bringing novel ideas in the visual encoding or relational modelling phases. However, in this work, we show that bounding box regression from learned joint search and templ

object detection bounding box regression convolutional neural network inception module deformable network

发现论文，激发创造

使用深度学习和几何学进行 3D 边界框估计

本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

Dec, 2016

通用边界框回归及其应用

本文提出了一种通用的边界框回归器（UBBR），其中包括 bounding-box regression、object detection、generalizability 和 class-agnostic 等关键词，并展示了其在弱监督目标检测和目标发现中的有效性。

Apr, 2019

基于盒式感知的点云单目标跟踪特征增强

本文提出了一种基于 BoxCloud 和特征融合的 3D 物体跟踪算法，相比于之前的算法，在 KITTI 和 NuScenes 数据集上有了很大的提升。

Aug, 2021

UnitBox：一种高级物体检测网络

该研究提出了一种新的物体检测方法 UnitBox，利用 Intersection over Union （IoU）loss 和深度卷积神经网络（CNNs）进行精准定位，成功在人脸检测任务中实现了最佳性能。

Aug, 2016

视频视觉目标跟踪的深度强化学习

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

ROAM: 循环优化跟踪模型

本文提出了一种基于响应生成和边界框回归的跟踪模型，利用尺寸可调卷积滤波器适应对象的形状变化，同时利用离线训练的循环神经优化器在元学习环境中更新跟踪模型，从而提高更新速度并实现更好的性能。实验证明该方法在多项基准测试中表现优异。

Jul, 2019

深入学习物体检测中的包围盒

本研究提出一种名为 DDBNet 的盒子重组方法，过滤掉错位的盒子并将选定的盒子分成边界，并将对齐的边界搜索和分组成一种优化盒子，从而实现更准确的定位，得出实验结果表明我们的方法是有效的，并达到了物体检测领域的最高性能。

Jul, 2020

ObjectBox: 从中心到盒子的基于锚点的无锚点目标检测算法

ObjectBox 是一种新颖的单阶段无锚点、高度通用的物体检测方法，通过仅使用对象中心位置作为正样本以及不受对象大小或形状影响地在不同的特征级别平等对待所有对象，解决了现有基于锚点和无锚点检测器在标签分配中偏向特定对象尺度的问题。

Jul, 2022

面向视觉物体跟踪的空间监督循环卷积神经网络

本文提出了一种新的空间监督递归卷积神经网络，用于视觉对象跟踪，通过研究长短期记忆和区域信息的回归能力，结合卷积网络产生的高层视觉特征直接预测跟踪位置，相较于现有的深度学习跟踪器，我们的跟踪器在保持低计算成本的同时更加准确和鲁棒，实验结果表明在多个数据集上均表现优异，常常优于排名第二的跟踪器。

Jul, 2016

RTrack: 通过伪框探索加速视觉目标跟踪的收敛

本文介绍了一种名为 RTrack 的新型目标表示基准追踪器，该追踪器利用一组样本点来获取伪边界框，并自动排列这些点以定义空间范围和突出显示局部区域。我们还对训练潜力进行了深入研究，并引入了一对多的前导分配策略，该方法在 GOT-10k 数据集上实现了与最先进的追踪器竞争性性能，并将训练时间减少到了先前性能最佳追踪器的 10%。大量实验证明，我们提出的 RTrack 在更快的收敛速度下取得了最先进的结果。

Sep, 2023