[Robust Tracking]视频跟踪MEEM — 多专家模型

最新推荐文章于 2024-07-31 18:39:12 发布
最新推荐文章于 2024-07-31 18:39:12 发布
阅读量4.4k 收藏 8
点赞数 3
分类专栏： 视频跟踪 文章标签： 视频 算法
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/pjia_1008/article/details/52900044
版权
MEEM是一种视频跟踪算法，通过建立多专家模型和半监督损失函数来解决模型漂移问题。每个专家代表一个独立的tracker，当一个专家发生错误更新时，其他专家仍能保持准确跟踪。损失函数结合了似然性和熵正则化，以提高预测确定性。算法流程包括特征提取、SVM训练、损失函数评估和最佳专家选择。精度图和成功率图是主要的评估指标。
摘要由CSDN通过智能技术生成

论文链接：http://cs-people.bu.edu/jmzhang/MEEM/MEEM-eccv-preprint.pdf
代码及demo：http://cs-people.bu.edu/jmzhang/MEEM/MEEM.html

最近开始视频跟踪检测的学习，刚开始接触tracking，本文分析可能会存在纰漏。针对模型漂移问题，实质上就是因为tracker中dad update才会造成模型漂移问题，本文提出MEEM正是用于对错误更新的更正，避免错误的feature更新影响tracker的跟踪结果。

本文的main idea 是提出一个多专家的模型和用于semi-supervised的损失函数。与其他的tracker相比，MEEM实质上是在基本tracker（这里用的是SVM）的基础上，在怎么预测下一帧的目标这个过程中做改进，意思是在基本tracker的分类结果中，再挑选预测精度最高的object。其实这里的多个experts，本质是多个tracker, MEEM能够允许多个tracker 同时工作，即使其中一个tracker发生了错误的更新，专家组中仍然有其他有着良好的更新的tracker能够继续工作，这个是解决模型漂移问题的关键。

模型漂移

下面将对MEEM中的几个关键点进行解读：

  • experts ensemble专家
最低0.47元/天 解锁文章
pjia_1008
关注
专栏目录
视频跟踪算法
shanghaiqianlun的专栏
09-17 2万+
Casevision公司的AVT21自动视频跟踪算法模块提供了多种跟踪算法：质心跟踪算法（Centroid）、多目标跟踪算法（MTT）、相关跟踪算法（Correlation）、边缘跟踪算法（Edge）、相位相关跟踪算法（Phase Correlation），场景锁定算法（SceneLock）和组合（Combined）跟踪算法。 质心跟踪算法（Centroid） 这种跟踪方式用于跟踪有界目标
视觉跟踪---MEEM算法--eccv14
香蕉麦乐迪的博客
01-08 7804
视觉跟踪---MEEM算法--eccv14
双层视频跟踪模型-CVPR11_robust tracking模型
Rachel Zhang的专栏
09-18 8156
受今年暑假Summer School中讲cv中多类分类的Ales教授影响，看了一篇他们组2011年发表在ICCV上的一篇文章《An adaptive coupled-layer visual model for robust visual tracking》，感觉思路比较清晰，就精读了一下，在这里贴出一些感想与实施细则，方便大家进行研究(*^__^*) ……思路：用一个双层耦合模型，维护新特征点组
MoE：混合专家模型介绍（一）
最新发布
qq_36553572的博客
07-31 388
稀疏 MoE 层:这些层代替了传统 Transformer 模型中的前馈网络 (FFN) 层。通过多个称为“专家”的独立神经网络(一般是FFN，当然也可以是MoE本身)的选择性激活，提高模型效率与灵活性。门控网络或路由: 这个部分用于决定哪些token被发送到哪个专家。一个令牌可以被发送到多个专家。令牌的路由方式是 MoE 使用中的一个关键点，因为路由器(router)由学习的参数组成，并且与网络的其他部分一同进行预训练。
MEEM object tracking
07-13
《MEEM: Robust Tracking via Multiple Experts Using Entropy Minimization》文章的实现代码，由Jianming Zhang发表于2014年eccv
多专家模型(mixture of experts)
热门推荐
算法改变人生
06-02 2万+
Mixtures of experts 本小节介绍多专家模型（the mixture of experts model），该模型的思想是训练多个神经网络（也就是多个专家），每个神经网络（专家）被指定（specialize）应用于数据集的不同部分。这就是说，数据集可能有着多个不同的来源（different regimes，意思是说数据集中的数据的产生方式不同，这里我翻译成了“不同的来源”），不
Learning to Filter: Siamese Relation Network for Robust Tracking 论文笔记
weixin_47055840的博客
04-07 3034
Learning to Filter: Siamese Relation Network for Robust Tracking 论文笔记
hopenet-robust-alpha1.pkl模型
02-25
Hopenet是一个准确且易于使用的头部姿态估计网络。模型已在300W-LP数据集上进行了训练，并在具有良好定性性能的真实数据上进行了测试。
论文《Accurate scale estimation for robust visual tracking》代码
06-09
论文《Accurate scale estimation for robust visual tracking》简单代码，来自VOT提供的代码，已经稍作修改，可以单独运行。 注意：修改vot_tracker_initialize.m文件中的base_path 才能运行，运行数据采用CVPR13上...
视频目标跟踪算法
07-02
完美的实现了视频目标跟踪，利用meanshift算法和kalman滤波算法。
基于混合专家模型的三维人体跟踪
05-20
本文基于混合专家模型(Bayesian Mixture of Experts, BME)，采用“分而治之”的思想，建立了从图像特征空间到三维参数空间的映射，从而实现三维人体跟踪。使用背景减法从图像序列中提取人体区域，采用PCA方法对人体区域特征进行降维，应用BME算法和k-means聚类算法建立图像特征空间和状态空间之间的对应关系，从图像特征中估计出人体模型的三维姿态。实验结果表明本论文方法能够准确地从单视频序列中重建三维人体运动
Struck 视频跟踪算法C++源码（包含测试序列）
05-30
VS2010平台 使用opencv2.4.10 和 eigen-2.0 ，下载的时候请注意使用相应版本的库文件
MEEM视觉跟踪matlab代码
02-01
MEEM视觉跟踪matlab代码，里面都有操作方式，也有自带的图像序列 MEEM视觉跟踪matlab代码，里面都有操作方式，也有自带的图像序列
在 LLM 架构中应用多专家模型
AI + 工程
06-02 954
一、概述 二、LLM 架构领域的专家齐聚一堂 1、模型容量 2、MoE 在降低成本的同时训练更大的模型 3、 MoE 可降低延迟 三、MoE 架构的工作原理是什么？ 四、试验 Mixtral 模型 五、实验结果 1、负载均衡 2、领域专家任务分配 3、专家推荐的最佳令牌 4、按令牌划分的首选专家 六、总结
MoSE: 多任务混合序列专家模型
Kaiyuan_sjtu的博客
10-11 1598
上周我们在Youtube: 多任务目标推荐今天我们继续看多任务的知识点应用。应用场景在Gmail中搜索时，会去查询Google Drive中的文件，而且是per-key的，即每输入一个字符...
利用多专家模型解决长尾识别任务
学姐带你玩AI的博客
04-10 766
对于之前长尾方法以头部性能为代价的看法，有没有可能是因为RIDE的方法总体ACC提升较大，导致了头部也比baseline提升了。并不能说明RIDE没有牺牲头部性能，而且RIDE的Med和Few shot提升的性能相对于头部要大很多。多专家分配模块可以有效地减少计算复杂度，但是没有明确说明减少复杂度的同时是否会牺牲性能，从专家数为2的实验中大概能证实这点。关注下方《学姐带你玩AI》🚀🚀🚀回复“500”获取300+AI必读高分论文＆讲解视频。
探索LangGraph：构建多专家协作模型
2401_85373898的博客
05-31 808
现在是我们开始构建图的时候了。和以前一样，我们将从一个节点开始，用用户的当前信息预填充状态。python复制代码from typing import Literal现在，让我们开始构建我们定制的工作流程。每个小工作流程的结构都和我们在第3部分enter_*: 使用你之前定义的工具来创建一个ToolMessage，这个ToolMessage表明新的专业助手已经接管了工作。助手: 这个由提示和大型语言模型（LLM）组成的模块会根据当前状态来决定是使用一个工具、向用户提问还是结束整个工作流程（返回到主助手）
评论 6
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