Nov, 2024

基于卷积神经网络的实时视频目标追踪算法

HTML
PDF
TL;DR本研究针对传统追踪算法在目标遮挡、形态变化和背景干扰等复杂场景中的局限性，提出了一种基于卷积神经网络（CNN）的实时视频目标追踪算法。通过整合目标检测与追踪策略，该算法利用在线学习机制不断更新目标模型，显著提高了在快速运动、部分遮挡和复杂背景下的追踪成功率和稳定性。研究结果表明，该算法可为视频监控和智能交通等领域的目标追踪任务提供新的解决方案。
发现论文，激发创造
  • 基于卷积神经网络的稳健视觉跟踪

    本文提出了一种新的基于卷积神经网络的目标跟踪方法，使用简单的两层卷积神经网络进行在线适应学习，能够生成鲁棒性较强的目标表示，并在CVPR2013数据集上的50个挑战性视频中表现优异。

    Jan, 2015

  • 为实现鲁棒的视觉跟踪而转移丰富的特征层次结构

    本文研究采用卷积神经网络实现可视目标跟踪，解决应用CNN的瓶颈问题-数据不足，尝试采用离线预训练的方式进行知识迁移，该方法相比其他现有跟踪器有着显著的提高，并提出提出通过产生概率映射来跟踪目标.

    Jan, 2015

  • DeepTrack：在线学习区分性特征表示以实现鲁棒的视觉跟踪

    本研究提出了一种利用单个卷积神经网络（CNN）实现在纯在线模式下学习目标对象有效特征表示的高效且非常强大的跟踪算法，其利用一种新颖的截断结构损失函数、稳健的样本选择机制和一种懒但有效的更新算法，使CNN在视觉跟踪中对遮挡或错误检测等难以处理的问题具有鲁棒性，在实验中，与现有跟踪器相比，该算法可以提高性能。

    Feb, 2015

  • 学习多领域卷积神经网络进行视觉跟踪

    通过基于卷积神经网络的表示方式提出了新型的视觉跟踪算法，该算法使用大型跟踪数据集进行了CNN预训练，从而获得了通用物体表示信息，并通过领域特定的二分类器不断迭代训练来实现在线跟踪。实验结果表明，该算法在目前已有的跟踪基准数据集中性能表现卓越。

    Oct, 2015

  • 全卷积孪生网络用于目标跟踪

    使用ILSVRC15数据集训练的全卷积Siamese网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

    Jun, 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

  • 目标感知深度追踪

    本文提出一种新颖的方案来学习目标感知特征，用于视觉跟踪，并将目标感知特征与孪生匹配网络相结合，实现与最先进技术相比精度和速度均有优异表现。

    Apr, 2019

  • 视觉跟踪的深度学习: 一项综述

    本文对深度学习手段在视觉目标跟踪中的应用作了全面综述，包括常用的数据集、评估指标以及当前领先的跟踪器，并对它们进行了量化和定性分析，旨在为实践者在选择方案时提供指导和对未来方向进行探讨。

    Dec, 2019

  • 用判别滤波器和孪生网络进行视觉物体追踪：一项调查和展望

    该论文系统评估了90多个基于DCFs和深度Siamese Network的跟踪器在九个基准测试中的表现，讨论了这两种跟踪范例中相同和不同的挑战，并分析了它们的性能，最后给出了基于分析的挑战建议。

    Dec, 2021

  • 实时多目标跟踪的混合方法

    通过将光流算法与深度学习架构相结合，提出了一种混合策略来实现实时目标追踪，实现了在追踪精度和计算成本之间的理想平衡，相比其他最先进方法在 MOTA 上达到了 0.608 的结果，并且运行时间减少了一半，准确性基本相同。

    Aug, 2023