基于Region Proposal的目标跟踪算法-A New Target-specific Object Proposal Generation Method for Visual Tracking

最新推荐文章于 2022-06-03 18:44:10 发布
最新推荐文章于 2022-06-03 18:44:10 发布
阅读量2.3k 收藏 3
点赞数
分类专栏： 目标跟踪 文章标签： 目标跟踪 Region Proposal
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HUSTbest_/article/details/80471241
版权
TOPGT算法是一种目标跟踪方法，结合Region Proposal和CNN，通过前景和背景直方图、EgdeBox、多相似性打分及CNN置信度选择，实现了高效的目标定位。在OTB2013和UAV20L上表现出色，但可能面临效率问题。
摘要由CSDN通过智能技术生成

    最近的CVPR2018上出现了一篇使用Region Proposal Network来做目标跟踪的文章，题目是“High Performance Visual Tracking with Siamese Region Proposal Network”，简称SiamRPN。听说效果很好，但是文章一直没放出来，不知道他的实现细节，所以闲来无事在ArXiv上面搜索了一下，意外的发现一篇用Region Proposal来做跟踪的文章，文章题目是“A New Target-specific Object Proposal Generation Method for Visual Tracking”，简称TOPGT。之所以对这篇文章感兴趣，一是因为这篇文章用了Region Proposal ，二是因为文章的方法性能相当强大，在OTB2013上击败了除ECO以外的所有方法，在UAV20L上的性能强于ECO。可惜的是，作者在文章中没有说算法的运行效率，不知道实时性怎么样，感觉效率可能不是很高，不过在SiamRPN中换成了RPN网络来实现Region Proposal后应该会比较快。

    闲话说完了，进入正题。TOPGT算法跟踪的基本流程是 Region Proposal  提取候选的目标区域 + CNN 给出每个目标区域的置信度，选择置信度高的作为下一帧的预测目标，并且CNN模型会不断更新。其中Region Proposal  提取候选的目标区域的比较关键的，下面分别介绍跟踪阶段和训练阶段的算法细节。

一、跟踪阶段（Region Proposal提取候选的目标区域+CNN给出置信度）

 

最低0.47元/天 解锁文章
sense_one
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
（C-RPN）Siamese Cascaded Region Proposal Networks for Real-Time Visual Tracking(CVPR2019)-附件资源
03-05
（C-RPN）Siamese Cascaded Region Proposal Networks for Real-Time Visual Tracking(CVPR2019)-附件资源
选择性搜索region proposal+CNN classification+NMS_USB-BBR优化边界框冗余问题
09-16
https://blog.csdn.net/weixin_40744915/article/details/80228611 选择性搜索region proposal+CNN classification+NMS_USB-BBR优化边界框冗余问题
detection/region/object proposal 方法综述文章
热门推荐
zxdxyz的专栏
05-28 2万+
Papers J. Hosang, R. Benenson, P. Dollár, and B. Schiele. What makes for effective detection proposals? arXiv:1502.05082, 2015. arXiv @ARTICLE{Hosang2015arXiv, author = {J. Hosang and R. Bene
论文阅读：A New Target-specific Object Proposal Generation Method for Visual Tracking
mini猿要成长QAQ
04-09 869
A New Target-specific Object Proposal Generation Method for Visual Tracking这篇论文提出了一种 target-specific object proposal generation (TOPG) method并且将这种proposal generation方法应用在Visual Tracking中，取得了特别好的效果。出发点...
PointRCNN：3D Object Proposal Generation and Detection from Point Cloud
weixin_41271939的博客
04-29 1873
目录前言论文及代码链接论文动机PointRCNN主要模块分析总结及个人思考 前言   这篇论文比较老了，是2018年12份上传到arxiv的，虽然也就才几年，但是对于现在深度学习相关领域日卷月卷的情况而言，确实有点太旧了。这是我前段时间阅读的第一篇两阶段的3D目标检测论文，也许是看了它之后的PV-RCNN，Voxel-RCNN，现在看起来这个算法没有什么新奇点。当然这也是我不客观地从现在的角度去看，毕竟这算法曾经风流过。   个人感觉，如果对于二阶段目标检测算法已经有了大概的一个了解，这篇论文可以不去深究了
PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud
鱼遇的博客
12-20 287
Motivation 相对与2D数据而言，3D数据的语义分割性越强； 由于点云的不规则性，前人经常将点云投影到鸟瞰图或者正面图或者转换为体素形式，但是在进行量化过程中都会造成信息损失。 Contribution 本论文提出一种新的bottom-up的bbox生成算法，通过先将点云进行前景分割从而来生成少量且质量高的3D proposal。 在第二个stage中提出bbox提出边缘细化。通过将第一阶段得到的bbox先进行坐标标准化，然后 ...
Faster R-CNN Towards Real-Time Object Detection With Region Proposal Networks
08-06
2. “Region Proposal Computation as a Bottleneck（区域建议计算作为瓶颈）”：这指出了在当时最先进目标检测网络中，区域建议生成已成为整个检测系统中的计算瓶颈。这促使研究者寻找新的方法来提高这部分的效率。...
Swin-T-使用C++实现Swin-Transformer目标检测算法-附项目源码-优质项目实战.zip
最新发布
04-29
Swin-Transformer是一种基于Transformer架构的新型卷积神经网络（CNN），由谷歌的研究人员于2021年提出。在计算机视觉领域，Swin-Transformer主要用于图像分类、目标检测和语义分割等任务，表现出优异的性能。本项目...
[讨论] 深度学习Region Proposal方法
Fourier_Legend的博客
05-25 2391
Region Proposal 方法看的比较头大，现在在此总结一下，欢迎大家批评指正 RCNN 出自论文 ： Rich feature hierarchies for accurate object detection and semantic segmentation 链接 侯选框的选择 选取了Selective Search的方式对每张图提取了约2000个大小不一候选区域，为了使不同尺寸的候选区域可以喂给固定输入尺寸的网络提取特征，对这些候选区域都缩放到227，为避免缩放操作对识别检测精度的.
个人学习笔记-计算机视觉篇-Faster R-CNN中的RPN（Region Proposal Network）
01-07
关于Faster R-CNN中的RPN网络 参考文献及资料： https://blog.csdn.net/lanran2/article/details/54376126 https://blog.csdn.net/qq_35451572/article/details/80095628 https://blog.csdn.net/u014586602/article/details/92796317 http://arxiv.org/abs/1506.01497 RPN网络是一个小型的卷积网络，作用是标定出疑似识别目标的框体交由后续处理。 参考Faster R-CNN论文中的原图（图一）
PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud论文解读
Abel_____的博客
01-27 2116
前言 PointRcnn的动机？ (1) 将点云投影到鸟瞰图或者正面图，又或者投射到体素中，效率比较低下,并且在量化过程中会遭受信息损失。 (2) F-Pointnet根据2D RGB检测结果裁剪出的截锥点云估计出三维包围盒，该方法严重依赖于二维检测性能，无法利用三维信息的优势生成鲁棒的包围盒建议。 根据（1）（2）作者提出了PointRCNN:分为两个阶段 第一阶段是自下而上生成3D bounding box 提案 第二阶段进行规范的3D框优化 方法论 PointRCNN的框.
[CVPR 2019] PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud
zhulf0804的博客
06-03 660
在本文中, 作者提出了PointRCNN用于在原始点云中做3D目标检测。整个框架包括两个阶段: stage-1用于以bottom-up的方式生成3D候选框, stage-2在规范(canonical)坐标系细化候选框, 来获得最终的检测结果。Stage-1子网络通过把点云中的点分割成前景点和背景点, 直接从点云中以bottom-up的方式产生少量的高质量的候选框; Stage-2子网络把stage-1子网络产生的每一个候选框中的points变换到规范坐标系来更好的学习局部空间特征, 并结合stage-1产生
【2D/3D目标检测】PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud阅读笔记（2019）
qq_42575422的博客
08-25 548
1、为什么要做这个研究（理论走向和目前缺陷） ? 基于体素的方法会有信息损失，基于视锥的方法太过依赖2D检测的结果，且不太好应对遮挡问题。 2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ? 提取利用原始点云来做3D框回归的2阶段网络。第一阶段中，首先用pointnet++对每个3D点都生成一个特征向量，然后对每个3D点做前背景分类,同时基于bin的方式回归一个3D候选框。前景点组成的所有3D候选框进行NMS。第二阶段利用第一阶段经NMS得到的3D候选框，进行一定的3D候选框的尺寸拓展，找到拓展后的
目标检测：Region Proposal by Guided Anchoring (GA-RPN)
微风❤水墨
05-17 1580
吐槽一下，WPS太。。。。导出为图片还有水印。。。 无水印下载地址：https://download.csdn.net/download/lilai619/11185265 anchor: (1)Dense-->sparse (2)fix --> deformable Recall有9.1的提升，同时能去掉很多背景误检，值得学习的一篇文章。 ...
几种自动目标跟踪算法的比较研究
噌胥苑——行思驿站
06-23 1万+
摘 要：复杂背景目标跟踪是近年来自动目标识别（ATR）领域的一个研究热点，在军事、医疗、安全等多个领域具有广泛的应用前景。ATR的研究内容主要包括目标的检测分类、特征提取和目标定位识别等。本文对当前流行的目标跟踪算法进行了全面的分析比较，最后对目标跟踪算法的进一步研究方向进行了深入的探讨。  关键词：目标跟踪；粒子滤波；自动目标识别  　　1 引言  　　目标跟踪（Target Tracki
HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
ScarecrowLiu的博客
05-13 4134
写下此论文笔记仅是为了记录自己看论文的一个过程以及一些收获希望，希望能够和更多志同道合的朋友一起讨论交流！ 感觉本篇论文的主要创新点是在于将低层、中间层和高层的feature maps结合起来形成Hyper Feature来进行region proposal和object detection，其它部分与Faster R-CNN很相似。 摘要：现在的目标检测都是用region proposa
深度学习学习日记_Region proposal
水野与小太郎的博客
10-11 2570
定义：Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口。 目前的目标检测也被分为：有Region Proposal的方式（Faster-RCNN等）和没有Region Proposal的方法区分（YOLO等） 其他的必须了解一些概念： Bounding boxes、Region Proposal、...
目标检测经典论文——Faster R-CNN论文翻译：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Net
bigcindy的博客
07-29 4821
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun Abstract State-of-the-art object detection networks depend on r...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值