物体跟踪-Fully-Convolutional Siamese Networks for Object Tracking

最新推荐文章于 2024-07-31 14:59:58 发布
最新推荐文章于 2024-07-31 14:59:58 发布
阅读量7.4k 收藏 9
点赞数 1
分类专栏： ZJ 目标跟踪
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/cv_family_z/article/details/52596317
版权

项目网页 http://www.robots.ox.ac.uk/~luca/siamese-fc.html
开源代码： https://github.com/bertinetto/siamese-fc

本文将一个全卷积 Siamese 网络嵌入到一个简单的跟踪算法中，使其跟踪效果很好，速度很快。该 Siamese 网络使用的训练数据是 ILSVRC15 数据库中用于目标检测的视频。

针对任意目标跟踪问题，一般使用在线学习策略来学习合适的跟踪模型，但是速度比较慢，尤其是使用了CNN模型， Stochastic Gradient Descent 在线更新网络权重参数。本文提出的CNN算法是离线学习的。

2 Deep similarity learning for tracking
学习任意物体的跟踪可以通过相似性学习来解决，在深度学习中，我们一般使用 Siamese 网络来学习深度相似性函数。

这里写图片描述
这里写图片描述
用模板的CNN特征与搜索图像的特征进行卷积，得到整个图像的相似图。

网络结构如下：
这里写图片描述

VOT14数据库上测试对比
这里写图片描述

VOT15数据库上测试对比
这里写图片描述

On a machine equipped with a single NVIDIA GeForce GTX Titan X and an Intel Core i7-4790K at 4.0GHz, our full online tracking pipeline operates at 86 and 58 frames-per-second, when searching respectively over 3 and 5 scales.

cv_family_z
关注
专栏目录
Fully-Convolutional Siamese Networks for Object Tracking
WorldHello的专栏
11-20 4669
摘要 任意目标追踪通常通过从训练视频中在线学习出一个目标的外观模型来解决。DNN能有效提升模型的丰富度，但却需要在线SGD调整网络参数，限制了速度。 本文提出一种基于全卷积孪生网络的基本追踪算法模型，能够已超实时的帧率达到目前最高的精度。 关键字：object-tracking, Siamese-network, similiarity-learing, deep-learning
【Tracking 系列：一】Siamese-FC｜Fully-Convolutional Siamese Networks for Object Tracking
鹿鹿的博客
04-11 758
滑窗分类 SOT早期的工作 Siamese-FC, 对单目标来做跟踪，论文中通过计算两个图像patch之间的相似度，来定位物体，通过多次rescale 输入图片来实现多尺度物体的跟踪。 Method 网络整体分两个分支，两个分支使用相同的卷积进行特征抽取 第一个分支抽取 目标object(如下图的z)的feature A 第二个分支抽取 待搜索图片(如下图的x)的feature B cro...
论文笔记之：Fully-Convolutional Siamese Networks for Object Tracking
a1424262219的博客
09-22 152
Fully-Convolutional Siamese Networkfor Object Tracking Updated on 2018-11-1910:17:29 Paper: http://www.robots.ox.ac.uk/~vedaldi/assets/pubs/bertinetto16fully.pdf Code-1:https://github....
【论文学习】《Fully-Convolutional Siamese Networks for Object Tracking》2016年SiamFC 全卷积孪生网络用于目标跟踪
最新发布
SkyLeopard的博客
07-31 1033
在这项工作中，我们脱离了跟踪中采用的传统在线学习方法，并展示了一种专注于在离线阶段学习强嵌入的替代方法。与在分类设置中的使用不同，我们证明，对于跟踪应用，孪生全卷积深度网络能够更有效地使用可用数据。这不仅反映在测试时，通过执行有效的空间搜索，也反映在训练时，其中每个子窗口都有效地代表一个有用的样本，而几乎没有额外的成本。实验表明，深度嵌入为在线跟踪器提供了自然丰富的特征来源，并使简单的测试时策略表现良好。我们相信这种方法是对更复杂的在线跟踪方法的补充，并期望未来的工作能够更彻底地探索这种关系。
SiamFC:Fully-Convolutional Siamese Networks for Object Tracking
Leo_whj的博客
12-06 2682
Paper: http://www.robots.ox.ac.uk/~vedaldi/assets/pubs/bertinetto16fully.pdf   Code: https://github.com/rafellerc/Pytorch-SiamFC (PyTorch Implementation)  Project Page: https://www.robots.ox.ac.uk/~lu...
目标跟踪之Fully-Convolutional Siamese Networks for Object Tracking论文笔记
羊倌sage的自留地
12-06 1356
论文链接：https://arxiv.org/abs/1606.09549 源码：https://github.com/bertinetto/siamese-fc 本文属于将孪生网络和深度学习结合用于目标跟踪领域的开山之作。深度学习虽然逐渐占据图像各领域，但在目标跟踪领域由于单纯基于深度学习的方法计算量巨大，时效性不佳，Siamese类的论文逐渐在该领域处于重要地位。近几年陆陆续续出现众多相关...
A Twofold Siamese Network for Real-Time Object Tracking 阅读笔记
aiqiu_gogogo的博客
03-01 7206
个人评价： 自从SiamFC利用Siamese网络解决目标跟踪问题后，很少有出色的基于SiamFC改进的目标跟踪工作。SiamFC通过训练Siamese网络用以在外观层面上区分两个物体是否属于一个目标，从而达到目标跟踪的目的。SiamFC的好处很多，其最核心的就是离线训练结合在线跟踪，以及end-to-end的跟踪模式，是少有的基于深度学习并且同时兼备性能和速度的跟踪器，所以基于SiamFC进行...
SiamFC全文翻译：Fully-Convolutional Siamese Networks for Object Tracking
qq_40310050的博客
08-16 2320
摘要 传统上，通过使用视频本身作为唯一的训练数据，专门在线上学习对象外观模型，可以解决任意对象跟踪的问题。 尽管这些方法取得了成功，但仅在线方法固有地限制了他们可以学习的模型的丰富性。 近来，已经进行了一些尝试来利用深度卷积网络的表达能力。 但是，如果事先不知道要跟踪的对象，则必须在线执行随机梯度下降以适应网络的权重，从而严重损害系统的速度。 在本文中，我们为基本跟踪算法配备了在ILSVRC15数据集上进行端到端训练的新型全卷积孪生网络，用于视频中的目标检测。 我们的跟踪器以超出实时的帧速率运行，尽管极其简
目标跟踪（四）：Fully-Convolutional Siamese Networks for Object Tracking (SiameseFC)
StayHappy_Fan的博客
01-09 5657
论文：Fully-Convolutional Siamese Networks for Object Tracking 核心点        全卷积孪生网络，论文中就是一个相似性度量的问题，通过模板匹配的方式计算出模板图片和待检测图片各个位置之间的相似度，相似度最高的点即为目标，网络结构如下，z为模板图片，x为待检测图片，分别通过相同的特征提取函数（论文中为AlexNet），最后卷积（模板匹配
fully-convolutional siamese networks for object tracking
03-16
全卷积孪生网络用于目标跟踪。该方法使用全卷积神经网络来对目标进行编码，然后通过计算输入图像和目标图像之间的相似度来进行目标跟踪。由于全卷积网络可以处理不同大小的输入图像，因此该方法可以适应不同尺寸的...
Fully-Convolutional Siamese Networks for Object Tracking--论文阅读
youmenshan3316的博客
12-09 383
Fully-Convolutional Siamese Networks for Object Tracking–论文阅读 代码地址：https://github.com/bertinetto/siamese-fc 论文时间：2016年 摘要 目标跟踪问题一般是根据物体的外观来构建表观模型．虽然取得了不错的效果，但是他们这些 online-only approach（例如KCF采用的Hog） 限制...
A Twofold Siamese Network for Real-Time Object Tracking
07-04
Observing that Semantic features learned in an image classification task and Appearance features learned in a similarity matching task complement each other, we build a twofold Siamese network, named SA-Siam, for real-time object tracking. SA-Siam is composed of a semantic branch and an appearance branch. Each branch is a similarity- learning Siamese network. An important design choice in SA-Siam is to separately train the two branches to keep the heterogeneity of the two types of features. In addi- tion, we propose a channel attention mechanism for the semantic branch. Channel-wise weights are computed ac- cording to the channel activations around the target posi- tion. While the inherited architecture from SiamFC [3] al- lows our tracker to operate beyond real-time, the twofold design and the attention mechanism significantly improve the tracking performance. The proposed SA-Siam outper- forms all other real-time trackers by a large margin on OTB-2013/50/100 benchmarks. 1. Introduction
Python-用于物体跟踪的全卷积连体网络SiameseFC的Pytorch实现
08-11
“用于物体跟踪的全卷积连体网络 - SiameseFC”的Pytorch实现
跟踪领域比较火的Siamese系列代码
05-11
跟踪领域比较火的Siamese系列代码,包括CFNet Siamese-fc DCFNet 等
论文笔记A Twofold Siamese Network for Real-Time Object Tracking
u011609063的博客
01-15 360
论文笔记A Twofold Siamese Network for Real-Time Object Tracking1. 标题及来源2. 阅读目的3. 领域4. 拟解决的问题5. 提出的方法5.1 方法详情5.2 注意力机制6. 结果6.1 OTB实验结果6.2 VOT实验结果6.3 消融实验7. 改进&存在的问题8. 可借鉴的点9. 知识补充 1. 标题及来源 A Twofold Si...
【SA_Siam(CVPR2018)】论文阅读笔记 A Twofold Siamese Network for Real-Time Object Tracking
sinat_31184961的博客
02-20 1046
论文：A Twofold Siamese Network for Real-Time Object Tracking 论文地址 代码 写在前面 这篇文章又是一篇使用Siamese网络做tracking的文章，效果在OTB和VOT的数据集上比已有的很多实时的tracker都要好。这篇文章就是使用了两个分支，一个是用来提取语义的特征，一个是用来提取表观特征，CVPR2018王强博士的那篇论文里也提到...
A Twofold Siamese Network for Real-Time Object Tracking【参考性不强】
weixin_41068770的博客
03-28 188
摘要 观察到在图像分类任务中学习的语义特征和在相似性匹配任务中学习的外观特征互补，作者构建了两个孪生网络框架，称为SA-Siam，用于实时的目标跟踪。SA-Siam由语义分支和外观分支组成，每一个分支都是一个相似性学习孪生网络。作者分别训练了这两个分支来保持两种类型特征的异质性，也就是让两种特征不一样。此外，作者在语义分支上加入了通道注意力机制，这个东东是干啥的，它可以根据目标位置周围的信息激活来...
SA-Siam：用于实时目标跟踪的双重连体网络A Twofold Siamese Network for Real-Time Object Tracking
zbzcDZF的博客
05-23 2106
摘要： 1.本文核心一：将图像分类任务中的语义特征（Semantic features）与相似度匹配任务中的外观特征（Appearance features）互补结合，非常适合与目标跟踪任务，因此本文方法可以简单概括为：SA-Siam=语义分支+外观分支； 2.Motivation：目标跟踪的特点是，我们想从众多背景中区分出变化的目标物体，其中难点为：背景和变化。本文的思想是用一个语义分支过滤...............
A Twofold Siamese Network for Real-Time Object Tracking—CVPR2018 阅读
deasonyuan的博客
07-15 398
本文在SiamFC的基础上增加了语义分支,进一步提升SiamFC的判别力。 Abstract. Observing that Semantic features learned in an image classification task and Appearance features learned in a similarity matching task complement each other, we build a twofold Siamese network, named SA-Sia
评论 5
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