Aug, 2024

基于状态空间模型的事件流视觉目标追踪：MambaEVT

HTML
PDF
TL;DR该研究解决了当前事件相机视觉追踪算法在目标定位中性能瓶颈的问题。提出的MambaEVT框架利用状态空间模型，结合动态模板更新策略，能在多个大规模数据集上实现良好的准确度与计算成本平衡。研究表明，动态与静态模板的有效结合显著提高了追踪效果。
发现论文，激发创造
  • MAVOT: 基于内存增强的视频物体跟踪

    该论文提出了一种基于外部记忆的一次学习方法来解决视频物体跟踪问题，可以处理多种复杂情况，并且在VOT-2016基准测试中表现良好。

    Nov, 2017

  • STMTrack: 使用时空记忆网络进行无模板视觉跟踪

    本文提出一种基于空时内存网络的新型追踪框架，利用历史信息以适应目标外观的变化，采用像素级相似度计算实现更精准的边界框生成，能够在真实时间下跟踪并优于先前所有最先进的实时方案。

    Apr, 2021

  • 通过帧与事件流的协作实现可靠的物体跟踪

    本文提出了一个大规模的可见事件跟踪基准测试（VisEvent），由820个视频对组成，其中包含以低照度、高速和背景杂波为特点的数据集，将事件流转换为事件图像，并构建了30多种基线算法和一个简单但有效的跨模态转换器，以实现可见数据和事件数据之间的更有效特征融合。实验结果验证了模型的有效性。

    Aug, 2021

  • 重新考虑基于颜色事件的跟踪：一种统一的网络、数据集和度量方法

    本文提出了一种名为CEUTrack的单阶段骨干网络，该网络通过Transformer骨干网络实现了特征提取、融合、匹配和互动学习等功能，用于对基于颜色和事件的物体进行跟踪。此外，我们还提出了一个大规模基准数据集COESOT，并提出了一种新的评估指标BOC。

    Nov, 2022

  • 基于移动视觉变压器的视觉目标跟踪

    使用MobileViT作为骨干网络并采用融合模板和搜索区域表示的新方法，我们提出了一种轻量级、准确和快速的跟踪算法。实验结果表明，我们的基于MobileViT的追踪器MVT在大规模数据集GOT10k和TrackingNet上的性能超过了最新的轻量级追踪器，并且具有较高的推理速度。此外，我们的方法在模型参数减少4.7倍并在GPU上运行速度为DiMP-50追踪器的2.8倍的情况下，胜过了流行的DiMP-50追踪器。

    Sep, 2023

  • 基于事件流的视觉目标跟踪：一个高分辨率基准数据集和一种新的基线模型

    通过多模态跟踪和知识蒸馏方法，在高分辨率事件信号下实现了高速低延迟的视觉跟踪的研究。

    Sep, 2023

  • 关于视觉曼巴的调查

    该研究综述了Mamba模型在计算机视觉领域的基本概念和优化方法，并介绍了它们在不同层次的视觉任务中的广泛应用，旨在引起学术界对当前挑战的关注并进一步应用Mamba模型于计算机视觉。

    Apr, 2024

  • Mamba-FETrack: 基于状态空间模型的帧事件跟踪

    RGB-Event based tracking framework, Mamba-FETrack, utilizing State Space Model achieves high-performance tracking while reducing computational costs, providing efficiency and effectiveness.

    Apr, 2024

  • 基于MambaVT的空间-时间上下文建模用于稳健的RGB-T跟踪

    本研究解决了现有RGB-T跟踪算法在时间信息利用上的限制，提出了一种创新的纯Mamba框架（MambaVT），以有效进行空间-时间上下文建模。该方法展示了Mamba在RGB-T跟踪中的显著潜力，在四个主流基准上实现了最先进的性能，同时降低了计算成本。

    Aug, 2024

  • 基于状态空间模型的多目标跟踪简单基线方法MambaTrack

    本研究针对传统多目标跟踪方法在面对非线性和多样化运动时的不足，提出了一种新颖的基于Mamba的运动预测模型（MTP）。MTP通过数据驱动的方法捕捉复杂的运动模式，并有效补偿由于遮挡或运动模糊导致的观测缺失，从而提升了轨迹的连贯性与准确性。实验结果显示，MambaTrack在包括Dancetrack和SportsMOT在内的基准测试中表现优越。

    Aug, 2024