- 博客(44)
- 收藏
- 关注
RSS订阅原创 CSTrackV2(SiamTracker)：One More Check:Making “Fake Background” Be Tracked Again
CSTrack原团队提出的CSTrackV2，利用前后帧embedding之间的相关性来将时序信息引入到当前帧中，提高跟踪效果，涨点明显。
2021-04-23 15:47:01
1299
原创 CorrTracker：Multiple Object Tracking with Correlation Learning
收录与CVPR2021的一篇多目标跟踪的论文，方法在去年MOT Challenge上就已经是sota，现在也是已经开放论文的方法中精度最高的。
2021-04-12 20:28:00
1909
原创 TransCenter: Transformers with Dense Queries for Multiple-Object Tracking
MIT的一篇多目标跟踪论文，首次将transformer和以中心点的方式进行检测的方法结合在了一起，效果很好，达到了新的sota。
2021-04-08 19:38:09
945
3
原创 Looking Beyond Two Frames: End-to-End Multi-Object Tracking Using Spatial and Temporal Transformers
最近一个星期MOT领域多了很多利用transformer进行多目标跟踪的文章，这是其中一篇。
2021-04-07 20:42:38
532
原创 Global Correlation Network: End-to-End Joint Multi-Object Detection and Tracking
收录与ICCV2021的一篇多目标跟踪论文，以几乎完全相同的方式完成了检测和跟踪两个任务，提出了global correlation层来将全局信息编码进特征图各个位置。
2021-04-01 20:00:55
552
原创 Track to Detect and Segment: An Online Multi-Object Tracker
Track to Detect and Segment: An Online Multi-Object Tracker论文和代码：https://jialianwu.com/projects/TraDeS.html在交流群里看到作者公布了前段时间收录于CVPR2021的多目标跟踪论文，花了半天的时间看了一下，做个笔记。正片文章最主要的内容在于构建了一个端到端的模型，将跟踪信息用于辅助检测或者分割，在多目标跟踪（MOT）和像素级多目标跟踪（MOTS）上均达到了sota。Introduction现如今
2021-03-18 16:16:32
1773
2
原创 Probabilistic two-stage detection（centernet2）
Probabilistic two-stage detection（centernet2）论文：https://arxiv.org/abs/2103.07461代码：https://github.com/xingyizhou/CenterNet23月12日centernet原作者发表在arxiv上的新文章，超越了之前的ATSS，GFLV2，EfficientDet-D7x等等。作者提出了二阶段目标检测的概率解释，可能会使得二阶段检测的pipeline发生改变。这种二阶段目标检测模型，采用如今sota的
2021-03-16 18:27:55
814
2
原创 Generalized Focal Loss v1和v2
Generalized Focal Loss v1和v2Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object DetectionPDF：https://arxiv.org/abs/2006.04388代码：https://github.com/implus/GFocalGeneralized Focal Loss V2: Learning Reliable Localiza
2021-03-12 16:46:43
1203
原创 图卷积（7）——过平滑现象（2）
图卷积（7）——过平滑现象（2）空间域图卷积局限性分析：上一份博客中提到的那篇论文，提出了三个观点。论文中也将其总结一下。GCNs优势： 图卷积（拉普拉斯平滑）使分类问题更容易 多层神经网络具备强大的特征提取功能GCNs劣势： 多次拉普拉斯平滑使输出特征过度平滑 浅层神经网络的感受野、特征提取能力有限解决方案： 基于随机游走的协同训练（Co-Training） 自训练（Self-Training）基于随机游走的协同训练定义吸收概率矩阵P=(L+αΛ)−1P
2020-11-20 20:45:41
1746
1
原创 金字塔LK光流法
金字塔LK光流法最近看的一篇论文中有金字塔LK光流法，于是看了些东西，整理一下。光流法光流（optical flow）是空间运动物体在观察成像平面上的像素运动的瞬时速度。光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。通常将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。光流计算基于物体的运动的光学特性，提出了两个假设：运动物体的灰度值在很短的时间间隔内保持不变；给定邻域内的速度向量变
2020-11-13 11:42:12
2065
5
原创 图卷积（6）——过平滑现象（1）
图卷积（6）——过平滑现象（1）过平滑现象的提出是在论文Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning中。作者将GCN用于半监督学习任务，发现采用多层GCN之后，会出现过平滑现象（over-smoothing）。文章提出三个核心观点：拉普拉斯平滑：GCN中图卷积是特殊形式的拉普拉斯平滑，可以聚合临近节点的特征，使同一类别的节点的特征相似；过平滑问题：多层GCN使得节点输出特征过度平滑，这样
2020-11-07 13:42:15
5344
2
原创 图卷积（4）——谱域图卷积（3）
图卷积（4）——谱域图卷积（3）介绍三种谱域图卷积网络——SCNN、ChebNet和GCN。三者均是以下式子的特例：x⋆Ggθ=UgθUTx=U(g^(λ1)⋱g^(λn))(x^(λ1)x^(λ2)⋮x^(λn))x \star_{G} g_{\theta}=U g_{\theta} U^{T} x=U\left(\begin{array}{ccc}\hat{g}\left(\lambda_{1}\right) & & \\& \ddots & \\&
2020-10-29 21:17:36
885
原创 图卷积（3）——谱域图卷积（2）
图卷积（3）——谱域图卷积（2）图傅里叶变换将图中的nnn个节点表示为x=[x1,x2,⋯ ,xn]T∈Rnx=\left[x_{1}, x_{2}, \cdots, x_{n}\right]^{T} \in \mathbb{R}^{n}x=[x1,x2,⋯,xn]T∈Rn，每一个节点上有一个信号值，类似于图像的像素，所以x(i)=xix(i)=x_{i}x(i)=xi，每个节点也可以是个向量。在傅里叶变换中，不同频率的余弦函数可以当做基函数。经典傅里叶变换的本质是求一个线性组合的系数，傅里叶
2020-10-29 13:33:06
443
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人