Jun, 2024

鲁棒压缩跟踪的在线加权多示例学习

PDF
TL;DR通过整合基于稀疏表示的粗粒度到细粒度搜索策略和加权多实例学习算法，我们提出了一种稳定且鲁棒的目标跟踪算法，用于解决遮挡、运动模糊、快速运动、光照变化、旋转、背景杂乱、低分辨率和帧间形变等问题，并通过在具有权重的重要样本上区分前景和背景特征，高效地开发了强分类器。实验结果表明，我们的方法在具有挑战性的基准数据集上进行了定量和定性分析，显示了其准确性和效率。
发现论文，激发创造
  • 基于在线水库度量学习的视觉跟踪非稀疏线性表示

    提出一种基于非稀疏线性表示的视觉跟踪器，采用有效的闭式解决方案解决了计算昂贵的 L1 正则化优化问题，并采用在线度量学习来捕捉不同特征维度之间的相关信息，从而获得更好的跟踪效果。

    Apr, 2012

  • 半监督轨道对比表示学习

    本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法，可以处理在线多目标跟踪问题，该方法可以进行半监督学习，并且在多个数据集上都表现出了更好的性能。

    Jul, 2021

  • 在线实例分类器细化的多实例检测网络

    利用多实例学习（MIL）问题形成的弱监督探测方案，使用在线实例分类器细化算法，基于深度学习结合 MIL 和实例分类器细化程序实现了端到端的训练，通过挖掘空间上的突出实例进行类别提升，最终在挑战 PASCAL VOC 数据集上取得明显优于目前最先进的 47% mAP 的结果。

    Apr, 2017

  • 基于递归最小二乘估计法的在线学习在视觉跟踪中的应用

    本文提出了一个无需离线训练的在线学习方法，通过递归最小二乘算法辅助进行 few-shot 在线自适应学习，实现在模型中构建记忆保留机制，同时防止过度拟合和遗忘，有效提升了现代深度跟踪器的表现效率。

    Dec, 2021

  • 多层多实例弱监督目标定位

    本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法，旨在解决目标分类定位问题，同时提出了一种多因素多实例学习流程和窗口细化方法，将之应用于高维特征，例如 Fisher 向量和卷积神经网络特征，并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。

    Mar, 2015

  • 多目标跟踪的分层视觉表示

    我们提出了一种新的多对象跟踪的视觉分层表示范式，并通过关注对象的组合性视觉区域和与背景的对比背景信息，不仅仅局限于语义可视线索（如边界框），而是更有效地区分对象。这种组合性 - 语义 - 上下文层次结构灵活地集成到不同的基于外观的多对象跟踪方法中。我们还提出了一种基于注意力的视觉特征模块来融合分层视觉表示。该方法在多个多对象跟踪基准中实现了最先进的准确性和时间效率。

    Feb, 2024

  • 面向判别性表示学习：用于在线多目标跟踪的多视角轨迹对比学习

    本文介绍了一种多视角轨迹对比学习的策略，通过建立动态更新的内存库来维护整个轨迹的向量，使用轨迹级对比损失探索全局信息，同时在推断阶段，开发了一种相似度引导的特征融合策略来进一步提高轨迹表示的质量，实验结果表明，本方法已经超越了先前的跟踪器，并取得了最新的表现。

    Mar, 2022

  • 不准确边界框下鲁棒物体检测

    本文旨在提出一种基于对象感知多实例学习的方法来学习对不准确边界框具有鲁棒性的对象探测器。通过选取准确的实例并生成高质量实例来最小化误差和提高精度。实验结果表明，该方法在合成和真实嘈杂数据集上均有效。

    Jul, 2022

  • 深度自学习用于弱监督目标定位

    提出一种使用深度自我学习方法进行弱监督定位的实现，以获取可靠的正样本，并通过一个在线支持的样本收获方案去动态地选择最有信心的正样本以达到相互促进。

    Apr, 2017

  • 注重细节：具有多样细粒度表征的在线多物体跟踪

    通过使用多头遮罩生成器来提取目标的精细特征，并通过二次采样技术来获得更高的分辨率和更精确的语义信息，我们提出了一种能够在多物体跟踪中获得最先进性能的新方法。

    Feb, 2023