目标跟踪(SOT、MOT)
文章平均质量分 91
清雨夜NWC
单目标跟踪方向,日常更新
展开
-
Dasiamrpn论文中文翻译(详细!)
在本文中,我们关注学习干扰感知的Siamese网络,以准确和长期的跟踪。为此,我们首先分析了传统Siamese追踪器中使用的特性。我们观察到,训练数据的不平衡分布使学习到的特征的区别性降低。在离线训练阶段,引入了一种有效的抽样策略来控制这种分布,并使模型关注语义干扰物。在推理过程中,设计了一种新的干扰物感知模块来执行增量学习,它可以有效地将一般的嵌入转移到当前的视频领域。此外,我们通过引入一种简单而有效的局部到全局搜索区域策略,扩展了所提出的长期跟踪方法。在基准测试上的大量实验表明,我们的方法显著优于现有现原创 2024-03-11 15:47:19 · 722 阅读 · 0 评论 -
Siamrpn++论文中文翻译(详细!)
基于Siamese网络的跟踪器将跟踪表示为目标模板和搜索区域之间的卷积特征互相关。然而,与最先进的算法相比,Siamese追踪器仍然存在精度差距,它们不能利用来自深度网络的特征,如ResNet-50或更深层次的网络。在本文中,我们证明了其核心原因来自于缺乏严格的平移不变性。通过全面的理论分析和实验验证,我们通过一个简单而有效的空间感知采样策略打破了这一限制,成功地训练了一个具有显著性能收益的resnet驱动的跟踪Siamese跟踪器。原创 2024-03-02 16:38:15 · 1342 阅读 · 0 评论 -
目标跟踪之KCF详解
大多数现代跟踪器的核心组件是判别分类器,其任务是区分目标和周围环境。为了应对自然图像变化,此分类器通常使用平移和缩放的样本补丁进行训练。此类样本集充斥着冗余 - 任何重叠的像素都被限制为相同。基于这个简单的观察,我们提出了一个包含数千个翻译补丁的数据集的分析模型。通过证明生成的数据矩阵是循环的,我们可以用离散傅里叶变换对其进行对角化,从而将存储和计算减少几个数量级。有趣的是,对于线性回归,我们的公式相当于一个相关滤波器,被一些最快的竞争跟踪器使用。然而,对于核回归,我们推导了一个新的核化相关滤波器(KC原创 2024-02-24 17:59:55 · 4302 阅读 · 0 评论 -
Siamrpn论文中文翻译(详细!)
视觉对象跟踪是近年来的一个基本课题,许多基于深度学习的跟踪器在多个基准测试上取得了最先进的性能。然而,大多数这些跟踪器很难获得实时速度的最佳性能。在本文中,我们提出了Siamese区域建议网络(Siamese-RPN),它是基于大规模图像对的端到端离线训练。具体来说,它由用于特征提取的Siamese子网和包括分类分支和回归分支在内的区域建议子网组成。在推理阶段,所提出的框架被表述为一个局部的一次性检测任务。我们可以预先计算Siamese子网络的模板分支,并将相关层表示为平凡的卷积层来进行在线跟踪。受益于提案原创 2024-02-24 12:07:46 · 1094 阅读 · 0 评论 -
Siamfc论文中文翻译(详细!)
任意物体跟踪的问题传统上是通过只在线学习物体外观的模型来解决的,使用视频本身作为唯一的训练数据。尽管这些方法取得了成功,但他们的在线方法本质上限制了他们可以学习的模型的丰富性。近年来,人们已多次尝试利用深度卷积网络的表达能力。但是,当事先不知道要跟踪的对象时,有必要在线执行随机梯度下降来适应网络的权值,这严重影响了系统的速度。在本文中,我们在ILSVRC15数据集上进行了一种端到端训练的基本跟踪算法,用于视频目标检测。我们的跟踪器以超越实时的帧率运行,尽管它非常简单,但它在多个基准测试中实现了最先进的性能。原创 2024-02-24 11:36:00 · 831 阅读 · 0 评论