CVPR 2018 FlowTrack:《End-to-end Flow Correlation Tracking with Spatial-temporal Attention》论文笔记

最新推荐文章于 2024-03-28 15:22:30 发布
最新推荐文章于 2024-03-28 15:22:30 发布
阅读量1.8k 收藏 1
点赞数 1
分类专栏： 目标跟踪 # 2018年论文 文章标签： 目标跟踪 CVPR2018 光流 flow
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/ms961516792/article/details/81408674
版权

  理解出错之处望不吝指正。

  本文模型叫做FlowTrack。本文将光流信息和特征表示结合在一起进行目标跟踪，据作者所说，这是第一个在CNN based tracking中使用光流的模型。

  光流的warp公式如下（p代表一个2维位置（x，y））：

   

   

  aggregation后得到的结果：

   

  上式中的w是一个自适应权值，由文中提出的spatial-temporal attention机制决定。

  spatial attention使用余弦相似度来计算：

   

  temporal attention和大多数论文中的都差不多：

   

NeverMoreH
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【目标跟踪】FlowTrack：End-to-end Flow Correlation Tracking with Spatial-temporal Attention
kobe_huai的博客
05-26 5899
来自CVPR2018的一篇文章 原文链接： End-to-end Flow Correlation Tracking with Spatial-temporal Attention Motivation 欢迎使用Markdown编辑器写博客 本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法...
PSP_CVPR_2021:CVPR-2021论文的PyTorch实施
04-06
CVPR-2021论文的PyTorch实施：沿视听事件线的正样本传播 论文链接： : 视听事件（AVE）本地化任务 AVE本地化旨在找出包含视听事件的视频片段，并对其类别进行分类。 视听事件既可见又可见，这意味着声源必须出现在...
video_repres_mas:CVPR-2019论文代码
05-23
通过预测运动和外观统计信息进行视频的自监督时空表示学习 我们的CVPR 2019论文Tensorflow实施 更新 可以在找到此项工作的期刊（T-PAMI 2021）扩展，其中包括大量的附加分析和显着的性能提升（〜30％）。 相应的PyTorch实现可在此处获取： : 。 概述 我们在UCF101数据集上实现部分训练代码。 它包含基于运动统计信息的自我监督学习（请参阅本文中的更多详细信息）。 整个训练协议（运动统计信息和外观统计信息）都在pytorch版本中实现： : 。 要求 tensorflow> = 1.9.0 的Python 3 cv2 科学的 资料准备 您可以从下载原始UCF101数据集。 然后从视频中提取RGB图像，最后使用TVL1方法提取光流数据。 但是我建议您直接下载feichtenhofer提供的的预处理RGB和光流数据。 火车 在这里，我们提供了带有“占位
CVPR 2018 | TVNet：可端到端学习视频的运动表征
沈春旭的博客
05-09 2246
“来自腾讯 AI Lab、MIT、清华、斯坦福大学的研究者完成并入选 CVPR 2018 Spotlight 论文的一项研究提出了一种能从数据中学习出类光流特征并且能进行端到端训练的神经网络：TVNet”尽管端到端的特征学习已经取得了重要的进展，但是人工设计的光流特征仍然被广泛用于各类视频分析任务中。为了弥补这个不足，由来自腾讯 AI Lab、MIT、清华、斯坦福大学的研究者完成并入选 CVPR ...
【CVPR2023】Temporal Attention Unit: Towards Efficient Spatiotemporal Predictive Learning
最新发布
中国海洋大学AI前沿理论组
03-28 362
在这个论文中，作者提出了一个通用的时空预测学习框架，其中空间编码器和解码器捕获帧内特征，中间的时域模块捕获帧间相关性。为了并行化时域模块，作者提出了时间注意力单元（Temporal Attention Unit, TAU），它将时间注意力分解为帧内静态注意力和帧间动态注意力。TAU 使用注意力机制来并行化的处理时间演变，该模块将时空注意力分解为：帧内静态注意力和帧间动态注意力。帧间动态注意力本质是通道注意力，给各个通道动态分配权重，作者描述这样可以捕获帧间的变化趋势。具体可以参照作者论文，这里不过多介绍。
(3D-HPE)End-to-end Recovery of Human Shape and Pose
qq_17721239的博客
11-06 1312
End-to-end Recovery of Human Shape and Pose (CVPR2018) 参考：https://blog.csdn.net/sinat_28699719/article/details/93596169 参考：https://zhuanlan.zhihu.com/p/256358005 1、文章提出了一个端到端的方法从二维图像恢复三维人体模型的框架。 2、现有的一些从单张图片恢复人体3D网格的方法专注于恢复人体3D关键点的坐标位置，然而这样做有如下不足之处： 关
ToFNET：Deep End-to-End Time-of-Flight Imaging（CVPR 2018）
flow_specter的博客
03-23 3129
文章目录概述ToFNET 网络结构 概述 论文名称： Deep End-to-End Time-of-Flight Imaging 论文链接： https://openaccess.thecvf.com/content_cvpr_2018/papers/Su_Deep_End-to-End_Time-of Flight_CVPR_2018_paper.pdf 无开源代码 被引： 55 作者单位： UBC、斯坦福、KAUST 文章提出了一个卷积神经网络结构，以双频的ToF rawData作为输入，深度图
End-to-End Object Detection with Transformers（论文翻译）
MJ17709005513的博客
03-14 1835
摘要 我们提出了一种将目标检测视为直接集合预测问题的新方法。我们的方法简化了检测流程，有效地消除了对许多手工设计组件的需求，例如显式编码我们关于任务的先验知识的非最大抑制过程或锚生成。新框架的主要成分，称为 DEtection TRansformer 或 DETR，是基于集合的全局损失，通过二分匹配强制进行独特的预测，以及转换器编码器 - 解码器架构。给定一组固定的学习对象查询，DETR 推理对象的关系和全局图像上下文以直接并行输出最终的预测集。与许多其他现代探测器不同，新模型在概念上很简单，不需要专门的
目标跟踪——End-to-end Flow Correlation Tracking with Spatial-temporal Attention
qq_42208244的博客
01-24 3442
FlowTrack CVPR2018
End-to-end Flow Correlation Tracking with Spatial-temporal Attention && SINT && deep motion feature
surprising
11-13 679
发表在CVPR2018，是朱政老师的一篇文章，论文链接：FlowTrack 这篇文章提出的跟踪器叫作FlowTrack(an end-to-end framework for flow correlation tracking) ,是在具有深度卷积特征的DCF（discriminative correlation filters）上进行加入了flow information，提高了特征表示和跟踪...
视频理解论文汇总zoo（持续ing）
The smart is sexy
01-13 1419
视频理解论文zooSlowFast Networks for Video RecognitionGcnet: Non-local networks meet squeeze-excitation networks and beyondVideo Classification With Channel-Separated Convolutional NetworksSTM: SpatioTemporal and Motion Encoding for Action RecognitionMore Is Les
论文阅读笔记 End-to-end Flow Correlation Tracking with Spatial-temporal Attention [2018 CVPR] (FlowTrack)
zxgravity的博客
08-25 2244
先给出原文链接：https://arxiv.org/abs/1711.01124v1 代码暂未放出。 该论文核心思想：使用光流信息帮助跟踪。用光流信息指导历史特征融合，得到更好的目标模型，类似于根据光流做了特征对齐。 先上总框架： (1)跟踪使用的特征由Feature CNN提取； (2)光流信息由FlowNet提取； (3)Warp操作指的是在光流的指导下将最近几帧(文章中使用5...
cvpr18-caption-eval:学习评估图像字幕。 CVPR 2018
05-13
，，，，CVPR 2018 该存储库包含一个可用于评估图像字幕系统的鉴别器。 鉴别器受过训练，可以区分机器生成的字幕和人工书写的字幕。 在测试过程中，训练有素的鉴别器将候选字幕，参考字幕以及可选地要字幕的图像...
stargan：StarGAN-官方PyTorch实施（CVPR 2018）
02-26
该存储库提供了以下论文的官方PyTorch实现： StarGAN：用于多域图像到图像翻译的统一生成对抗网络1,2， 1,2， 2,3，2，2,4， 1,2- 1韩国大学， 2 Clova AI研究，NAVER Corp. 3香港科技大学新泽西学院4 摘要：...
DETR(End-to-End Object Detection with Transformers （CVPR 20)相关代码
10-24
配合“DETR纯代码分享”，可以结合一起看，效果会更好！
End-to-End Object Detection with Transformers，DETR论文学习
qq_47011000的博客
07-22 1295
DETR、目标检测、transformer、二分图匹配损失。
[Relation Network]Realtion Networks for Object Detection （CVPR. 2018）
Ah丶Weii
01-23 230
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nbwrgm7Y-1611391066244)(https://raw.githubusercontent.com/Wei-i/My_Image_Hosting/main/img/image-20210121215141004.png)] 1. Motivation intuition： 认为建模物体之间的关系会帮助目标检测。 Although it is well believed for years that model
论文篇 | 2020-Facebook-DETR ：利用Transformers端到端的目标检测=＞翻译及理解（持续更新中）
weixin_44649780的博客
09-11 1987
我们提出了一种将对象检测视为直接集合预测问题的新方法。我们的方法简化了检测方式，有效地消除了对许多手工设计的组件的需求，例如非最大抑制过程或锚点生成，这些组件明确地编码了我们关于任务的先前知识。新框架的主要成分称为DEtection TRansformer或DETR，是基于集合的全局损耗，通过二分匹配强制进行独特的预测，以及transformer编码器 - 解码器架构。给定一组固定的学习对象查询，DETR 推理对象和全局图像上下文的关系，以直接并行输出最终的预测集。
CVPR-2018-DensSiam: End-to-End Densely-Siamese Network with Self-Attention Model for Object Tracking
菜菜子hoho的博客
11-24 1996
CVPR-2018- DensSiam: End-to-End Densely-Siamese Network with Self-Attention Model for Object Tracking 阅读笔记 论文地址： https://arxiv.org/abs/1809.02714 主要创新点： 加入Self-Attention模块（第一个具有自我注意模块的孪生网络跟踪算法）。 一、 动机 为了在保持泛化能力、高精度和速度的情况下，减少参数数量，并克服同一时间下只处理一个局部领域而造成的外观模型局限
Visual Tracking via Adaptive Spatially-Regularized Correlation Filters(**CVPR2019 Oral**).
07-27
Visual Tracking via Adaptive Spatially-Regularized Correlation Filters是一篇发表在CVPR2019 Oral的论文。该论文提出了一种名为Adaptive Spatially-Regularized Correlation Filters的方法，用于鲁棒的视觉跟踪...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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