[Robust Tracking]视频跟踪MEEM — 多专家模型

最新推荐文章于 2024-05-16 10:35:19 发布
最新推荐文章于 2024-05-16 10:35:19 发布
阅读量4.3k 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

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
  • 3
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
视觉跟踪---MEEM算法--eccv14
香蕉麦乐迪的博客
01-08 7764
视觉跟踪---MEEM算法--eccv14
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。
多专家模型(mixture of experts)
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
利用多专家模型解决长尾识别任务
学姐带你玩AI的博客
04-10 699
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。
Moe 混合多专家模型 原理 + 大模型的有性繁殖 + DIY 自己的 Moe 专家系统
最新发布
Debroon
05-16 1169
大模型最开始设计思路是 — 通用。一个通才能够处理多个不同的任务，但一群专家能够更高效、更专业地解决多个问题。与一个“通才网络”相比，一组术业有专攻的“专家网络”能够：让用户获得更快的响应速度提供更好的模型性能 — 每个专家模型都能针对不同的数据分布和构建模式进行搭建更好地完成复杂的多种任务在不显著增加计算成本的情况下大幅增加模型容量开发时间更短让一个大模型既代码牛逼，又医疗牛逼，还数学、角色扮演牛逼，你得烧多少算力、买多少数据，即使做到，项目开发周期非常长，搞不好新技术出来又颠覆了。
多目标跟踪算法方案总结
大李出奇迹的博客
07-01 7572
多目标跟踪，又叫MOT。
多目标跟踪全解析，全网最全
地推
10-22 2271
与多目标跟踪（Multiple Object Tracking简称MOT）对应的是单目标跟踪（Single Object Tracking简称SOT），按照字面意思来理解，前者是对连续视频画面中多个目标进行跟踪，后者是对连续视频画面中单个目标进行跟踪。由于大部分应用场景都涉及到多个目标的跟踪，因此多目标跟踪也是目前大家主要研究内容，本文也主要介绍多目标跟踪。跟踪的本质是关联视频前后帧中的同一物体（目标），并赋予唯一TrackID。 随着深度学习的兴起，目标检测的准确性越来越高，常见的yolo系列.
目标识别，行人跟踪测试视频
11-30
OpenCV提供了多种跟踪算法，如KCF (Kernelized Correlation Filter)、CSRT (Confidence-Weighted Sampling for Robust Tracking) 和MIL (Multiple Instance Learning)。这些方法各有优劣，适用于不同的跟踪条件。在...
Robust visual tracking using template anchors
02-08
在视觉跟踪中，目标物体在连续的视频帧中可能会受到各种因素的影响，如光照变化、遮挡、运动模糊等，这使得跟踪算法需要具备强大的鲁棒性。Cehovin提出的“模板锚点”方法就是为了解决这些问题。模板锚点的概念借鉴...
code-Robust Object Tracking via Sparsity-based Collaborative Model
10-12
该资源是作者提供的原始代码实现，用于"Robust Object Tracking via Sparsity-based Collaborative Model"这一研究。这项工作聚焦于计算机视觉领域中的目标跟踪问题，其核心是利用稀疏表示和协同学习的方法来提升...
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
Feature Tracking for Robust Structure-from-Motion
09-13
ENFT: Efficient Non-Consecutive Feature Tracking for Robust Structure-from-Motion
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
mixture-of-experts:混合Keras专家层
04-30
混合Keras专家层 该存储库包含实现专家模型的卷积和密集混合的Keras层。 专家层的密集混合物 文件DenseMoE.py包含一个DenseMoE.py层，该层实现了专家模型的密集混合： 该层可以与Dense层相同的方式使用。 它的一些主要论据如下： units ：输出维数 n_experts ：专家人数（ ） expert_activation ：专家模型的激活功能（ ） gating_activation ：门控模型的激活函数（ ） 请参阅DenseMoE.py以获取其他参数。 卷积专家层 文件ConvolutionalMoE.py包含实现专家模型的1D，2D和3D卷积混合的Keras层： 其中*表示卷积运算。 这些层可以以与相应的标准卷积层（ Conv1D ， Conv2D ， Conv3D ）相同的方式使用。 例子 文件conv_moe_demo.py包含一个示例，
混合专家系统（MoE）
Zoe_Su的博客
11-09 2万+
混合专家系统（Mixture of Experts）原理：混合专家系统（MoE）是一种神经网络，也属于一种combine的模型。适用于数据集中的数据产生方式不同。不同于一般的神经网络的是它根据数据进行分离训练多个模型，各个模型被称为专家，而门控模块用于选择使用哪个专家，模型的实际输出为各个模型的输出与门控模型的权重组合。各个专家模型可采用不同的函数（各种线性或非线性函数）。混合专家系统就是将多个模型
目标跟踪算法研究综述
热门推荐
zhu_hongji的博客
05-31 7万+
    入坑也算有些日子了，一直在看论文并没有对目标跟踪的研究进展和算法有一个系统性的了解。是时候好好整理一下了，希望能对后面的研究有所帮助吧！内容中来自经典论文和博客部分，如有侵权请提醒删除。（小白一颗，不足之处希望各位大神驻足指正！！！万分感谢！！！） 1、背景     目标跟踪算法研究难点与挑战：实际复杂的应用环境 、背景相似干扰、光照条件的变化、遮挡等外界因素以及目标姿态变化，外观变形...
目标跟踪总结
Marshall的专栏
10-18 4727
最简单的目标跟踪（模版匹配） matchTemplate
近几年目标跟踪算法发展综述（中）
00_00_07
04-19 2万+
2014 今年可谓是算法发展的一年，今年的主要的亮点就是相关滤波CF类算法。 在介绍各个算法之前不得不介绍一下今年的一个新的标准VOT【VOT】的问世，VOT选取了25个序列集，使用的标准和Benchmark有略微的差别，使用精度，鲁棒性，总的误差率，速度等。接下来介绍今年的论文 High-Speed Tracking with Kernelized Correlation Filters
目标跟踪CVPR，ICCV，ECCV文章及代码实时更新
博博有个大大大的Dream
08-24 2万+
Visual Trackers 目录 一、按年份分类 二、按类别分类 三、目标跟踪参考资料汇总 四、数据集 五、评价标准 一、按年份分类 ICCV2019 DiMP:Goutam Bhat, Martin Danelljan, Luc Van Gool, Radu Timofte. "Learning Discriminative Model Prediction for...
sensor fusion for robust outdoor augmented reality tracking on mobile de
05-10
传感器融合是在移动设备上实现强大的室外增强现实跟踪的关键技术。 广义上来讲，传感器融合是指将多个传感器的数据进行整合处理，以提高系统的精度和鲁棒性。在移动设备上，如何利用多种传感器进行数据融合，是进行室外增强现实跟踪的重要问题。 在室外环境中，通过使用GPS技术进行定位可以获得较高的精度；但是，GPS经常会受到多种干扰，如建筑物阻隔、信号遮蔽，使得GPS精度下降。因此，结合其它传感器来保证跟踪效果的稳定性显得尤为重要。 当前，移动设备上主要有三种传感器：加速度计、陀螺仪和磁场计。这些传感器分别用于测量物体的加速度、旋转和磁场。其中，加速度计和陀螺仪可以获取设备的姿态信息，而磁场计可以用于确定设备在三维空间中的方向。 传感器融合的关键在于将三种传感器的数据进行协同处理。在室外增强现实跟踪中，可以将加速度计和陀螺仪的数据与地理信息融合，以确定设备的位置和姿态。同时，可以利用磁场计获得设备在空间中的方向信息，以进一步提高跟踪效果。 总之，传感器融合技术是实现强大的室外增强现实跟踪的重要技术。通过将多种传感器的数据进行整合，可以提高系统的精度和鲁棒性，从而使移动设备在室外环境下能够更加稳定地进行增强现实跟踪。

“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 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