【Tracking 系列：二】GOTURN｜Learning to Track at 100 FPS with Deep Regression Networks

最新推荐文章于 2022-07-19 23:16:21 发布
最新推荐文章于 2022-07-19 23:16:21 发布
阅读量203 收藏
点赞数 1
分类专栏： 目标跟踪 文章标签： goturn sot
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/qq_31622015/article/details/105460981
版权

基于回归的SOT算法
可以跟踪未见过的类别样例
FPS高

Motivation

只关注单一目标，物体运动是连续的，使用相邻帧回归位置

Network

在这里插入图片描述

  • 两个输入分别过5层conv ，然后将feature concat
  • 再过3层4096维的FC（包含 ReLU 和 Dropout）,最后连接到一个输出为4的FC分别对应中心点x、y、w、h

其主要步骤是：

  • 拿到上一帧图像以及我们要跟踪的目标在上一帧中的box position；
  • 按照得到的box在上一帧和当前帧上裁剪出两倍于box大小的patch；
  • 将两个patch输入到conv中，并通过fc来对特征进行综合，以预测当前帧中target box的位置。

注意，网络中的conv是在ImageNet预训练得到的，并且在这里不会再进行更新，只有fc才会被训练。

Dataset

视频+静态图像
静态图像用了个 数据增广的 trick

数据增广

  • 将静态图片中待跟踪的object放在中间并框定区域（相当于作为t-1帧的region）
  • 将整张图做形变当做第t帧来跟踪上一帧中的目标

Experiments

两个跟踪指标：Acurracy和Robustness

在这里插入图片描述
在这里插入图片描述

Thoughts

快速移动目标，增大搜索空间，或许可以
cnn参数 还有调参空间

鹿鹿最可爱
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
目标跟踪--GOTURN 100fps
zwlq1314521的专栏
03-23 5205
先附上论文的链接 点击https://arxiv.org/abs/1604.01802打开链接 GOTURN: Generic Object Tracking Using Regression Networks GOTURN这个方法有如下的特点和优势： Offline Training：利用了大量数据离线训练的优势 Generic Object Tracking
目标跟踪之GOTURN：Learning to Track at 100 FPS with Deep Regression Networks
跟随技术的脚步-linolzhang的专栏
05-16 8582
一. 简介        选择这篇文章的原因在于能实现 100帧的效果，对于跟踪来讲，大多数应用场景需要实时跟踪，应该说仅仅实时跟踪还不够，还需要计算资源来做 视频解码、检测、比对 等多个工作。        这篇文章 2016年来自 Stanford 大学的 David Held，通过 CNN直接回归的方式得到目标位置。        论文下载：Learning to Track
GOTURN-(达到100FPS的深度学习跟踪算法代码)
godloveme的专栏
02-20 3368
本代码是基予caffe的linux的, 安装好caffe之后需要编译GOTURN代码,在编译过程中会出现如下错误: fatal error: caffe/proto/caffe.pb.h: No such file or directory #include "caffe/proto/caffe.pb.h" 解决方法： 用protoc从caffe/src/caffe/proto/caf
GOTURN——基于深度学习的物体追踪 （OpenCV contrib）
朱铭德的博客
08-14 1万+
见惯了KCF、DCF、MEDIANFLOW这些常规追踪器，来看看基于神经网络的GOTURN吧。 首先，这个Tracker并不算慢，利用GPU能跑到100fps 论文原文： Learning to Track at 100 FPS with Deep Regression Networks 撇开原理，从工程的角度来看，算法输入前后两帧被裁剪过的图像，送入卷积神经网络（CNN），继而回归出物...
【目标跟踪】Learning to Track at 100 FPS with Deep Regression Networks 学习
书侠
06-02 8024
这篇文章是斯坦福大学2016年4月发的，文中提出了一种通过离线训练带标签的视频来更有效跟踪目标物体的方法。以前的深度学习用来做跟踪的算法都比较慢，这一论文的跟踪器使用了简单的前向传播而无需在线训练，测试时的跟踪帧率达到了100fps.由于在训练网络时既使用了带标签的视频，也使用了大量的图片，可以防止过拟合。跟踪器学习了泛化的运动特征，所以可以去跟踪训练集中没有出现的新物体。传统通用目标跟踪器（相对于特定目标跟踪器）
Learning to Track at 100 FPS with Deep Regression Networks全文翻译
weixin_44294645的博客
07-19 737
Learning to Track at 100 FPS with Deep Regression Networks翻译
SRDCF_with_DenseNet_SRDCF_objecttracking_deeplearning_fhog_corre
10-04
标题中的"SRDCF_with_DenseNet_SRDCF_objecttracking_deeplearning_fhog_corre"表明这是一个关于基于SRDCF（Short-Term Recurrent Correlation Filter）目标跟踪算法的改进版本，其中融合了深度学习方法，特别是使用...
CF2_with_DenseNet_HCF跟踪_HCF算法_objecttracking_deeplearning_目标跟踪_源
10-04
在“CF2_with_DenseNet_HCF跟踪_HCF算法_objecttracking_deeplearning_目标跟踪_源”项目中，开发者可能已经训练了一个DenseNet模型，专门用于目标跟踪任务，并将其集成到HCF框架中。通过调整和优化，这个改进的HCF...
ff.rar_Face to Face_face tracking_klt face detection_klt track
09-14
Face Detection and Tracking Using the KLT Algorithm This example shows how to automatically detect and track a face using
Transfer learning based visual tracking with Gaussian processes regression
02-11
Transfer learning based visual tracking with Gaussian processes regression
Deep regression tracking with shrinkage loss
02-07
### 深度回归跟踪与收缩损失 #### 研究背景及意义 近年来，视觉对象跟踪算法在各种视觉应用领域引起了广泛关注。现有的基于检测的跟踪方法主要包含两个阶段：首先是围绕前一帧中的目标物体抽取大量样本；...
GOTURN(Generic Object Tracking Using Regression Networks　ＥＣＣＶ２０１６)
08-18 1858
This tracker is able to track objects at 100 fps. This real-time speed is due to two factors. First, most previous neural network trackers are trained online. However, training neural networks is a s
深度学习Tracking（1）——Learning to Track at 100 FPS with Deep Regression Networks（代码理解）
没有头像的博客
03-01 3587
工程地址：【http://davheld.github.io/GOTURN/GOTURN.html】第一次看深度学习网络实现的工程代码，有很多内容和结构不理解，并且在Linux下跑网络工程代码没有IDE，无法调试，我也不知道在查看函数的时候如何跳转，因此看整个工程文件十分麻烦。因此自己也是边看边查边学。下面开始解析该工程代码，可能存在一些偏差和错误，将会不断学习和修正。一、工程结构工程主目录下有6个
GOTURN——Learning to Track at 100 FPS with Deep Regression Networks
热门推荐
autocyz
09-24 1万+
文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》 算法简称：GOTURN（Generic Object Tracking Using Regression Networks） 作者是斯坦福的David Held 文章以及附件：http://davheld.github.io/GOTURN/GOTURN.htm
方维众筹V1.71(PC+WAP+完美无限制商业版)
08-23
PHP公益股权众筹网站源码，相对于之前的版本改变了很多，功能自不必说！非常完美，可直接商业运营！ 更新说明： 新增路演功能 新增VIP功能 新增微信提现功能（微信端中使用） 新增优惠券功能 新增“众创空间”“导师”“创服机构” 房产众筹新增房产理财功能 推出“轻众筹” 安装说明： 导入数据库安装 将压缩包解压之后 所有文件放置根目录 然后找到根目录system/phpqrcode/license.php 第六行 用notepad+打开 修改成您要使用的域名 导入根目录下有个sql数据库文件 然后修改public下db_config.php数据库信息 如果提示系统发生错误 请把根目录public下的 runtime里面的所有文件删除 再进入后台即可。
中国风工作总结工作汇报PPT模板.pptx
最新发布
08-23
年终总结 新年计划 述职报告 工作汇报 医疗报告 员工转正 季度报告 适用人群：学习不同技术领域的小白或进阶学习者；可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。
Starter Welcome to junior high ！重点短语+课文句子详解.pdf
08-23
Starter Welcome to junior high ！重点短语+课文句子详解.pdf
Kafka集群迁移：策略、实践与代码精粹
08-23
Kafka是一个分布式流处理平台，最初由LinkedIn公司开发，后来成为Apache软件基金会的一个顶级项目。Kafka主要用于构建实时数据管道和流处理应用程序。它能够高效地处理高吞吐量的数据流，并且具有很好的可扩展性、容错性和持久性。 以下是Kafka的一些关键特性： 1. **分布式系统**：Kafka通过多个代理（Broker）组成集群，支持数据的分布式存储和并行处理。 2. **发布-订阅模型**：Kafka使用发布-订阅模式，生产者（Producer）将消息发布到主题（Topic），消费者（Consumer）从主题订阅消息。 3. **高吞吐量**：Kafka设计用于处理高吞吐量的数据流，每秒可以处理数百万条消息。 4. **持久性**：Kafka将数据存储在磁盘上，支持数据的持久化，即使在系统故障的情况下也不会丢失数据。 5. **可扩展性**：Kafka可以通过增加更多的Broker来水平扩展，以处理更大的数据量。 6. **容错性**：Kafka支持数据的副本（Replication），确保数据的高可用性和容错性。 7. **实时性**：Kafka设计用于实时数据处理
基于python开发的引体向上计数+源码+视频demo演示（毕业设计&课程设计&项目开发）
08-23
基于python开发的引体向上计数+源码+视频demo演示，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python开发的引体向上计数+源码+视频demo演示，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python开发的引体向上计数+源码+视频demo演示，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python开发的引体向上计数+源码+视频demo演示，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python开发的引体向上计数+源码+视频demo演示，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python开发的引体向上计数+源码+视频demo演示，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~
siamrpn++: evolution of siamese visual tracking with very deep networks
03-16
siamrpn++是一种基于非常深的网络的孪生视觉跟踪算法，它是孪生网络跟踪算法的进化版本。该算法采用了一种新的跟踪框架，结合了区域提议网络（RPN）和深度残差网络（ResNet），能够在复杂的场景下实现高效准确的目标...
评论
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