Deep learning in video multi-object tracking A survey 论文笔记

最新推荐文章于 2025-05-26 21:52:15 发布
最新推荐文章于 2025-05-26 21:52:15 发布
阅读量153 收藏
点赞数
文章标签： 论文阅读
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_61363628/article/details/129592325
版权

 

乘黃
关注
A Guide Resource for Deep Reinforcement Learning
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
12-24 880
A Guide Resource for Deep Reinforcement Learning 1. About this work: This deep intensive learning database was initiated by the 【 Deep Reinforcement Learning Laboratory(DeepRL-Lab) 】and was jointly c...
In Defense of MOT：读CVPR17《Deep Network Flow for Multi-Object Tracking》有感
Trasper1的博客
08-07 2176
多目标跟踪的帧间数据关联可以分为online（frame-by-frame）和offline（batch-by-batch）两类。前者讲究追求real-time tracking，跟踪结果的给出无时延，理论上讲可以拼Real-time（可惜往往没戏嘻嘻。。）；后者讲究利用前后帧更多的信息，即在一个time window中一次性实现多帧的关联，用精度换速度换时效性。不可避免地带了了输出的迟滞，而且关...
多目标追踪-2019综述《Deep Learning in Video Multi-Object Tracking: A Survey》
qq_41614538的博客
12-02 6669
Deep Learning in Video Multi-Object Tracking: A Survey 近期开始研究多目标追踪，因此先找了一篇比较新的2019年综述性论文入门。 本论文将MOT通用算法归纳为4个步骤，并分别介绍了Deep Learning在各步骤中的应用，给出了典型论文以供读者进一步阅读学习。 文章目录1 Introduction2 MOT: algorithms, me...
论文阅读《Deep Learning in Video Multi-Object Tracking: A Survey》
越努力，越幸运
12-17 3043
时间：2019年11月 作者机构：萨勒诺大学&格拉纳达大学等 链接：https://arxiv.org/abs/1907.12740 《DEEP LEARNING IN VIDEO MULTI -OBJECT TRACKING : A SURVEY》 1.Introduction mot的output 应用领域：video surveillance 、autonomou...
IJCV2021: Knowledge Distillation: A Survey
practical_sharp的博客
11-26 972
知识蒸馏中的知识有多种类别，一种最基本的知识就是使用教师模型的预测logits；此外，教师模型中间层的特征，也可以视为表征知识来引导学生网络学习。教师网络中不同神经元，不同特征层富含的关系信息，以及教师模型的参数也包含的一定的知识。综述将知识分为三种类别：response-based knowledge，feature-based knowledge，relation-based knowledge。
多目标跟踪竞赛结果摘要：Multiple Object Tracking Challenge 2017 Results
哈哈哈哈嘿嘿嘿
11-30 8363
MOT17 第一名：A Novel Multi-Detector Fusion Framework for Multi-Object Tracking 第二名：A multi-cut formulation for joint segmentation and tracking of multiple objects 速度最快： High-Speed Tracking-by-Detection Without Using Image Information
基于深度学习的视觉目标跟踪方法
小白学视觉
12-17 4066
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达以前写过一个“自动驾驶中的目标跟踪”介绍，这次重点放在深度学习和摄像头数据方面吧。先提一下以前说的那篇综述："Surv...
Deep Learning for Visual Tracking: A Comprehensive Survey(单目标跟踪目前最好的综述类文章)
weixin_45032769的博客
12-02 1248
Deep Learning for Visual Tracking: A Comprehensive Survey https://arxiv.org/pdf/1912.00535.pdf
【AI视野·今日CV 计算机视觉论文速览 第200期】Tue, 18 May 2021
TomRen
05-18 4755
AI视野·今日CV 计算机视觉论文速览
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
2017-06-Deep Network Flow for Multi-Object Tracking-论文阅读笔记
Meihuashan_HUST的博客
01-02 943
摘要： 数据关联是很多计算机视觉应用的重要组成部分，多目标跟踪就是其中的一个例子。典型的数据跟踪方法是找到一个图匹配方式或者一个网络流使得配对连接的代价最小，然而经常使用的是手工设计特征或者固定特征的线性函数。本文指出通过将优化问题表示为可微的函数反向传播学习数据关联的特征是必要。本文用上述思路解决多目标跟踪问题，所有的代价函数均可学习统一到一个end-to-end的框架中，达到比手工设定更好的水...
论文阅读：arxiv 2024 SmoothLLM: Defending LLMs Against Jailbreaking Attacks
CSPhD-winston的博客
05-25 666
大语言模型（如GPT、Llama）虽然经过训练以符合人类伦理，但黑客可以通过精心设计的。
[论文阅读]Prompt Injection attack against LLM-integrated Applications
最新发布
m0_52911108的博客
05-26 634
引入一个提示，鼓励大型语言模型总结生成上下文背后的原因；(2)
[论文阅读]Pandora: Jailbreak GPTs by Retrieval Augmented Generation Poisoning
m0_52911108的博客
05-23 885
间接越狱攻击GPT的RAG增强过程分四个阶段：❶GPT首先组织不同的用户上传的文档类型（PDF、HTML、Word），主要按文件名排序以实现高效检索。❷ 对于用户提示，GPT 确定是否需要信息检索，根据文件名从上传中选择文档。GPT 一次处理一个文件以提高效率。❸ 所选文档被分段和向量化，以便与用户的查询向量进行相似度计算。提取相似度得分最高的前 K 个片段，增强响应上下文。❹ 最后，将这些片段的内容与用户的提示相结合。该复合输入由大语言模型处理，通过直接合并文本或将矢量化片段嵌入到原始内容中。
【论文阅读】——AN EXPRESSIVE REPRESENTATION OF GENERAL 3D SHAPES
河海大学研究生在读的学习笔记
05-22 1101
【论文阅读】——AN EXPRESSIVE REPRESENTATION OF GENERAL 3D SHAPES
论文阅读笔记——PixArt-α，PixArt-δ
Multiple_x的博客
05-22 984
PixArt-α，PixArt-δ 论文阅读笔记
论文阅读笔记——Janus，Janus Pro
Multiple_x的博客
05-25 1203
Janus、Janus Pro 论文阅读笔记
论文阅读：Auto-Encoding Variational Bayes
记录图像处理中遇到的点点滴滴
05-21 1074
AIGC VAE经典论文学习记录
基于视觉深度学习目标跟踪算法
04-02
### 基于深度学习的视觉目标跟踪算法概述 #### 背景介绍 近年来，随着深度学习技术的发展，基于深度学习的目标跟踪算法取得了显著进展。这些算法利用卷积神经网络（CNNs）的强大特征提取能力以及先进的优化策略，在复杂场景下实现了更高的精度和鲁棒性[^1]。 #### 主要方法分类 目前主流的深度学习驱动的多对象跟踪（MOT, Multiple Object Tracking）可以分为两类：离线跟踪和在线跟踪。 - **离线跟踪**允许访问整个视频序列后再进行处理，因此可以在时间维度上充分利用前后帧的信息来提高准确性。例如，《Deep Learning in Video Multi-Object Tracking: A Survey》提到的一些经典算法依赖全局优化框架完成轨迹关联。 - **在线跟踪**则需实时运行，无法提前获取未来帧的数据。这类方法通常结合检测器与追踪模块共同工作，如AP-RCNN通过粒子滤波机制增强对缺失目标的恢复能力[^4]。 #### 关键挑战及其解决方案 在实际应用过程中存在若干难点需要克服： 1. **遮挡问题** 当前物体被部分或者完全遮蔽时如何保持稳定识别成为一大难题。一些研究者提出了创新思路应对这种情况——比如Sheng等人开发出了eHAF16方案引入超像素分割手段辅助定位隐藏区域；还有其他学者尝试借助长期记忆结构记住历史状态以便更好地推断当前状况。 2. **光照变化影响** 不同环境下的光线条件会对图像质量造成干扰进而降低模型表现水平。对此可以通过预训练阶段增加样本多样性以及后期微调特定领域参数等方式缓解此类现象带来的负面影响[^2]。 3. **计算效率考量** 实现高性能的同时也要顾及到资源消耗情况。针对这一点，轻量化版本网络架构应运而生，它们能在保证效果不打折扣的前提下大幅削减运算需求，使得部署至边缘设备成为可能。 #### 示例代码片段展示 以下是简单的YOLOv5用于目标检测的基础配置文件修改示例，作为构建更复杂的跟踪系统的起点之一： ```yaml # YOLOv5 custom training configuration file example train: ../datasets/train/images/ val: ../datasets/valid/images/ nc: 80 # number of classes (COCO has 80) names: ['person', 'bicycle', ... ] # class names list truncated here for brevity ``` 接着可考虑将上述基础扩展成完整的SORT(Simple Online Realtime Tracking)实现流程，具体参见官方文档或其他开源项目参考资料进一步深入探讨。 ---
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