单目标跟踪
单目标跟踪文章阅读和代码分析
在三年之后
亲爱的,外面没有别人,有的只是你自己
展开
-
yolo笔记
参考:https://blog.csdn.net/weixin_45942927/article/details/124529291。当预测框和目标框不相交时,IOU=0,无法反应两个框距离的远近,此时损失函数不可导,IOU_Loss无法优化两个框不相交的情况。中值滤波:可以保护图像尖锐的边缘,选择适当的点来替代污染点的值,所以处理效果好,对椒盐噪声表现较好,对高斯噪声表现较差。学习率从一个非常小的值慢慢增长到设置的初始的学习率。均值滤波:图像去噪的同时也破坏了图像的细节部分。用cos的方法去降低学习率。原创 2023-08-23 16:09:55 · 381 阅读 · 0 评论 -
SOT参数冻结
SOT参数冻结原创 2022-11-15 17:14:15 · 111 阅读 · 0 评论 -
学院服务器踩坑记录
学院服务器踩坑记录原创 2022-11-14 20:37:39 · 300 阅读 · 0 评论 -
报错RuntimeError: Error building extension ‘_prroi_pooling‘
报错subprocess.CalledProcessError: Command '['ninja', '-v']' returned non-zero exit status 1.原创 2022-09-15 15:08:48 · 2941 阅读 · 2 评论 -
siamfc-pytorch代码分析
siamfc-pytorch代码讲解1、backbone&headfrom __future__ import absolute_importimport torch.nn as nn__all__ = ['AlexNetV1', 'AlexNetV2', 'AlexNetV3']class _BatchNorm2d(nn.BatchNorm2d): def __init__(self, num_features, *args, **kwargs):原创 2021-10-10 16:20:00 · 448 阅读 · 0 评论 -
SiamMask论文资源
论文网址:https://arxiv.org/abs/1812.05050论文翻译:https://blog.csdn.net/weixin_37552816/article/details/89177264?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163409147616780261975329%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&req原创 2021-10-13 10:28:36 · 103 阅读 · 0 评论 -
传统插值算法
详细可参考:天池大赛深度学习篇P117-122插值:降低分辨率图像生成高分辨率图像。插值算法的分类:(1)最近插值算法: 在源图像中找到与目标图像中的点最相邻近的**整数点**,作为插值后的输出。(2)双线性插值算法 在两个方向分别进行一次线性插值。(3)双三次插值算法 不仅考虑相邻的4个点的灰度影响,还要考虑灰度值变化率的影响。这种算法需要选取**插值基函数**来拟合数据。每个像素的权重是由待求点到该像素水平距离和垂直距离来决定的。 基本上可以认为效果:双三次插值>原创 2021-10-14 22:28:09 · 735 阅读 · 0 评论 -
SiameseFC代码流程分析
流程图原创 2021-10-14 22:34:03 · 296 阅读 · 0 评论 -
RCNN系列
目录RCNN1)候选区域选择2)CNN特征提取3)分类与边界回归Fast RCNN1)候选区域选择2)CNN特征提取3)分类与边界回归参考论文解析:参考论文解析1参考论文解析2RCNN1)候选区域选择用的方法是Selective Search (ss),查看现有的小区域,合并两个最有可能的区域,重复此步骤,直到图像合并为一个区域,最后输出候选区域。2)CNN特征提取在特征提取之后,特征映射被卷积和汇集以获得输出。3)分类与边界回归一个是对前一步的输出向量进行分类(分类器需要根据特征进行训原创 2021-10-16 09:38:05 · 951 阅读 · 0 评论 -
TREG(Transformed Regression for Accurate Tracking)
TREG(Transformed Regression for Accurate Tracking)参考博客提出TREG优势:1、生成高质量的回归表示图,为了能够精确定位2、能够处理一些图片的变形3、设计了一个设计在线的目标队列来更新跟踪目标的变化...原创 2021-10-23 19:36:43 · 1062 阅读 · 0 评论 -
anchor-free、anchor-based整理
anchor-free、anchor-based整理)Anchoranchor-basedanchor-free单尺度预测多尺度预测基于关键点估计总结参考博客Anchor目标检测分为对候选框的分类和回归,对于候选框的产生方式:1、two-step通过RPN(区域候选网络)产生proposal;2、通过滑窗产生anchoranchor-based问题:正负样本不均衡、超参数的引入(每层的Anchor数量、尺度、长宽比)faster-RCNN:逐像素的对Anchors进行边界框的回归和定位SSD原创 2021-10-24 16:02:17 · 1840 阅读 · 0 评论 -
Online Learning、Offline Learning
参考举个例子, 在玩俄罗斯方块的时候, 你只能看到当前的方块是什么(有可能还能看到下一个方块是什么), 你需要根据当前的方块进行决策, 这种基于当前信息的决策过程就是在线算法(online algorithm). 而当你能知道整个方块序列是什么的时候, 你可能会有不一样的决策, 比如"这个方块可以放在左边这个地方, 这样和10步以后的那个方块就能凑在一起消掉", 这种基于全局信息的决策过程就是离线算法(offline algorithm).在机器学习(包括深度学习)中, "方块"指的是数据. 我们通常做原创 2021-10-24 16:11:00 · 1048 阅读 · 0 评论 -
TransT代码复现配置
参考博客:https://blog.csdn.net/qq_17783559/article/details/119111028原创 2021-11-16 21:22:18 · 2059 阅读 · 0 评论 -
RTX3060环境配置
RTX3060 CUDA11.1安装cuda11.1 torch命令pip install torch1.8.0+cu111 torchvision0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html查看pytorch是否装好pythonimport torchprint(torch.version)原创 2021-11-20 15:59:14 · 199 阅读 · 0 评论 -
TCTrack: Temporal Contexts for Aerial Tracking
在现有的视觉跟踪器中,连续帧之间的时间上下文远远没有得到充分利用。在这项工作中,我们提出了TCTrack1,这是一个全面的框架,可以充分利用空中跟踪的时间上下文。**时间上下文分为两个层次:特征提取和相似性图的细化**。具体而言,在特征提取方面,提出了一种在线时间自适应卷积算法,利用时间信息增强空间特征,该算法通过根据前一帧动态校准卷积权重来实现。对于相似性图的细化,我们提出了一种自适应时间变换器,在对时间知识进行解码以精确调整相似性图之前,该变换器首先以高效记忆的方式对时间知识进行有效编码。TCTrack原创 2022-03-14 11:09:04 · 1366 阅读 · 0 评论 -
MixFormer: End-to-End Tracking with Iterative Mixed Attention解读
MixFormer: End-to-End Tracking with Iterative Mixed Attention代码、文章: https://github.com/MCG-NJU/MixF ormer.Abstract跟踪通常采用特征提取、目标信息集成和bbox估计的多级流程。为了简化这一流程,并统一特征提取和目标信息集成的过程,我们提出了一个紧凑的跟踪框架,称为MixFormer,建立在Tranformer上。我们的核心设计是利用注意力操作的灵活性,提出了一种混合注意模块(MAM),用于特原创 2022-04-16 17:47:37 · 2782 阅读 · 0 评论 -
PrPooling理解
https://blog.csdn.net/laizi_laizi/article/details/109455080PrPooling部分,送入的proposals的位置是原图上的,而不是对应到特征图上的位置,但是PrRoIPool2D(3, 3, 1/8)使用时会有第三个参数,就是原图到特征图的stride或者叫做scale factor,这样就能从特征图中pooling下来对应目标位置的特征了...原创 2022-04-18 10:54:15 · 600 阅读 · 0 评论 -
MixFormer track代码解读
tracker/ mixformer_online.pyH, W, _ = image.shape 400 720 self.frame_id += 1 x_patch_arr, resize_factor, x_amask_arr = sample_target(image, self.state, self.params.search_factor,原创 2022-04-25 20:12:34 · 183 阅读 · 0 评论 -
目标跟踪中cross correlation时间复杂度小结
naive correlationSiamFC,直接就是模板特征作为核去和搜索帧特征互相关,实现上就是一个卷积操作,示意图可看下面:就是模板帧特征在搜索帧特征上滑动,逐通道之间互相作内积,最后输出的就是一个通道数为1的特征。比如说input=6x6,in_channels=3,out_channels=4,kernel_size=3,那么需要用4组3x3x3的卷积,每个3x3x3的卷积计算结果为1x4x4,总共结果为4x4x4;(计算卷积次数为3x4次)depth-wise correlation原创 2022-05-02 10:49:54 · 1398 阅读 · 0 评论 -
MixFormer build_mixformer代码分析
def build_mixformer(cfg): backbone = get_mixformer_model(cfg) # backbone without positional encoding and attention mask 1 box_head = build_box_head(cfg) # a simple corner head 2 model = MixForm原创 2022-05-03 11:46:56 · 51 阅读 · 0 评论 -
Mixformer train代码解读
def run(settings): # Build dataloaders loader_train, loader_val = build_dataloaders(cfg, settings) # Create network net = build_mixformer(cfg) # wrap networks to distributed one settings.deep_sup = getattr(cfg.TRAIN, "DEEP_SUPERVI原创 2022-05-03 23:49:39 · 227 阅读 · 0 评论 -
Mixformer的预训练网络
加载部分预训练模型#加载model,model是自己定义好的模型resnet50 = models.resnet50(pretrained=True) model =Net(...) #读取参数 pretrained_dict =resnet50.state_dict() model_dict = model.state_dict() #将pretrained_dict里不属于model_dict的键剔除掉 pretrained_dict = {k: v for k, v in p原创 2022-05-04 15:57:43 · 238 阅读 · 0 评论 -
pytorch中的dataset、dataloader、transforms学习笔记
API:https://pytorch.org/tutorials/beginner/basics/data_tutorial.html源码路径pytorch/torch/utils/datadataset必须重写__ init__ , __ len , getitem ____ getitem __将索引和训练样本一一对应Transform是对特征后处理的函数 target_transform是对标签后处理的函数dataset是一个样本的(特征和对应的标签)dataloader原创 2022-05-04 17:59:17 · 999 阅读 · 0 评论 -
解决AttributeError: ‘JPEG‘ object has no attribute ‘decompressor‘
解决AttributeError: ‘JPEG’ object has no attribute ‘decompressor’sudo apt-get install libturbojpeg原创 2022-05-15 21:45:32 · 1477 阅读 · 1 评论 -
SiameseFC笔记
SiameseFC笔记原创 2022-05-19 17:03:15 · 46 阅读 · 0 评论 -
Crop最全数据集
crop数据集:链接: https://pan.baidu.com/s/1_Rg6dKhHUSI5LC0E6ae02w 提取码: nbp4 复制这段内容后打开百度网盘手机App,操作更方便哦–来自百度网盘超级会员v3的分享原创 2022-05-20 09:36:50 · 279 阅读 · 0 评论 -
ConvNext笔记
ConvNext笔记原创 2022-06-21 22:35:42 · 240 阅读 · 1 评论 -
mixformer test代码解析
代码解读deubg原创 2022-07-12 23:02:12 · 89 阅读 · 0 评论 -
mixformer_onlinescore train
mixformer_onlinescore train原创 2022-07-12 23:11:38 · 77 阅读 · 0 评论 -
MixFormerOnlineScore train代码分析
代码】MixFormerOnlineScoretrain代码分析。原创 2022-07-18 20:54:34 · 128 阅读 · 0 评论 -
Correlation-Aware Deep Tracking阅读笔记
Correlation-Aware Deep Tracking阅读笔记原创 2022-08-13 07:51:46 · 443 阅读 · 0 评论 -
单目标视觉跟踪算法研究_2022寒假
单目标视觉跟踪算法研究_2022寒假原创 2022-09-04 10:26:39 · 1106 阅读 · 0 评论