【目标跟踪论文阅读】LTMU：High-Performance Long-Term Tracking with Meta-Updater

最新推荐文章于 2021-02-07 17:08:38 发布
最新推荐文章于 2021-02-07 17:08:38 发布
阅读量3k 收藏 19
点赞数 1
分类专栏： 人工智能 文章标签： 深度学习
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/shikamarulyc/article/details/106475316
版权
LTMU是一种针对长时目标跟踪的高性能算法，它通过Meta-Updater决定何时更新模型，避免在线更新引入噪声。该算法在SiamRPN-based和ATOM方法上进行了应用，通过一个验证器和LSTM模型来判断更新时机，提高了长时跟踪的准确性和鲁棒性。在VOT2019、OxUvALT和LaSOT等数据集上展示了优越性能。
摘要由CSDN通过智能技术生成

文章目录

问题记录

  1. meta-learner 如何决定是否进行模型更新，其结构是什么
  2. local tracker，verifier，SiamRPN-based re-detector，meta-updater的架构是什么样
  3. 是否可以尝试在其他跟踪器上使用
  4. 平均峰相关能量，PR，MAX-PSR
  5. 距离测量
  6. 各种损失函数适用范围
  7. LSTM

动机

  1. 目标跟踪算法的研究重点从短时跟踪向长时跟踪发展，因为长时跟踪更贴近实际生活应用，目前长时跟踪数据库的视频序列时间多在1分钟以上
  2. 长时跟踪，要求跟踪器具备应对目标消失又重现的重检测额能力
  3. 目前的跟踪器，适用于长时跟踪的在线更新跟踪器速度慢，基于短时跟踪的离线训练跟踪器速度快但不适于长时跟踪；很少有人尝试直接在离线训练的短时跟踪器上使用在线跟踪策略以优化局部跟踪效果，增强重检测能力
  4. 在线跟踪策略是一把双刃剑，即可以更新目标和背景信息的同时，也会引入噪声污染样本

主要贡献

  1. 设计一款离线训练的元学习器，根据跟目标的外观，位置，分类置信度变化决定什么条件下进行模型更新
  2. 一种新的跟踪框架，应用于SiamRPN-based方法和ATOM，一个在线验证器，一个使用元学习更新策略的在线局部跟踪器
  3. 在VOT2019,OxUvALT,LaSOT等数据库上的验证实验证明了算法的有效性

相关工作

长时跟踪框架</

最低0.47元/天 解锁文章
shikamarulyc
关注
专栏目录
CVPR2020ORAL 长时目标跟踪LTMU
JianqiuChen的博客
09-25 586
Motivation： 设计了一个由多层lstm组成的meta-updater，用来控制模板更新从而实现online-updated tracker。 paper： code： meta-updater xt∈Rd×1x_t ∈ R^{d\times 1}xt​∈Rd×1 is a column vector concentrated by stC,stA,vtRs^C_t , s^A_t , v^R_tstC​,stA​,vtR​ , and btb_tbt​. Appearance Cue: s.
目标跟踪之LTMU：High-Performance Long-Term Tracking with Meta-Updater环境配置及代码运行
qq_40199447的博客
10-09 2086
代码地址：https://github.com/Daikenan/LTMU 论文地址： LTMU是CVPR2020的oral，全文重点分析了跟踪过程中经典的模型更新问题。 作者一共在六个state-of-the-art的跟踪器上验证了meta-update的有效性，因此给出了六个trackers的代码，其中论文里面的结果应该是DiMP_LTMU跟踪器（PrDiMP+MU和Super_DiMP+MU的性能更优，但这两个跟踪器是在LTMU发表之后，所以作者也加了进去）。 一、创建虚拟环境 cd DiMP_LTM
【论文翻译】High-Performance Long-Term Tracking with Meta-Updater
页页读
05-12 3157
High-Performance Long-Term Tracking with Meta-Updater 使用元跟新器进行高性能长期跟踪 摘要： 长期视觉跟踪越来越受到关注，因为它比短期跟踪更接近于实际应用。大多数排名靠前的长期追踪者都采用了离线训练的Siamese架构，因此他们无法从短期追踪者在线更新的巨大进步中获益。然而，直接引入基于在线更新的跟踪器来解决长期问题是相当冒险的，因为长期的不确定和嘈杂的观察。在这项工作中，我们提出了一个新颖的离线训练元更新，以解决一个重要但尚未解决的问题:跟踪器是否准
读High-Performance Long-Term Tracking with Meta-Updater的记录
weixin_43673376的博客
04-16 1104
读High-Performance Long-Term Tracking with Meta-Updater的记录** 本文纯粹是读文章记录，方便自己理解，不去编辑了 核心是长期跟踪+元更新器（Meta-Updater） 长跟踪器应用更广，以往比较好的长跟踪器也主要是基于离线训练的孪生网络结构，其实做长期跟踪还是需要在线更新。如果直接用短期跟踪的在线更新方式，由于跟踪过程不太容易控制，易受噪声影响...
MBMD（MobileNet-based tracking by detection algorithm）作者答疑
weixin_30270889的博客
07-12 2047
If you fail to install and run this tracker, please email me (zhangyunhua@mail.dlut.edu.cn) Introduction This repository includes tensorflow code of MBMD (MobileNet-based tracking by detection algor...
图像风格迁移cvpr2020_GitHub - wty2019/CVPR2020-Code: CVPR 2020 论文开源项目合集
weixin_39689297的博客
01-13 1005
CVPR2020-CodeCVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文(如ECCV 2020、CVPR 2019、ICCV 2019)以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-visionCNNExploring Self-attent...
CVPR 2020 论文大盘点—目标跟踪篇
我爱计算机视觉
06-15 1万+
本文盘点CVPR 2020 所有目标跟踪（object tracking）相关论文，总计33篇，因为跟踪相关的技术很多，这里单指具体目标的跟踪，不涉及点的跟踪（如人体关键点跟踪，会另有总...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
热门推荐
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
黄金时代 —— 深度学习 (多目标跟踪 2021)
LJ的博客
02-07 1527
文章目录引入相关工作Long-term Visual TrackingOnline Update for Visual TrackingLong-term Tracking with Meta-UpdaterFrameworkMeta-UpdaterCascaded LSTMMeta-Update Training LTMU 2020 长期目标跟踪相对于短期目标跟踪 和实际应用更加贴近 大多数长期跟踪器使用的是离线训练的Siamese结构，这样不易受到遮挡干扰等噪声的影响 短期跟踪器是可以有在线更新的
MBMD论文以及code
06-07
The winner of VOT2018LT，目标跟踪必读论文之一，long-term tracking必读论文
跟踪问题观点
u010761477的博客
11-21 510
Q1: 如何看待机器学习算法（如模型及优化算法）在处理视觉跟踪问题上的作用？ A1: 多数在模型层面思考跟踪问题 。（左旺孟） A2: 机器学习算法十分重要，基于learning-based算法仍然十分有效。跟踪领域要求可能不太一样，根据问题特点提出适合的算法，offline training, online finetuning等都是tracking的特色。（鲁继文） A3: 跟踪本是一个one...
（转） 深度学习在目标跟踪中的应用
a1424262219的博客
09-05 1665
深度学习在目标跟踪中的应用 　　　　　　　　　　　　　　　　　　　　　　　　　　　　 原创2016-09-05徐霞清深度学习大讲堂 点击上方“深度学习大讲堂”可订阅哦！深度学习大讲堂是高质量原创内容的平台，邀请学术界、工业界一线专家撰稿，致力于推送人工智能与深度学习最新技术、产品和活动信息！ 开始本文之前，我们首先看上方给出的3张图片，它们分别是同一个...
多目标追踪笔记七：Real-Time Recurrent Regression Networks for Visual Tracking of Generic Objects
ycc2011的专栏
01-07 1169
1.提出：第一个展示使用递归神经网络在视频中成功跟踪的论文。（该论文相当于是在GOTURNhttps://blog.csdn.net/autocyz/article/details/52648776的基础上的改进） PS:目前该论文较适合单目标跟踪，多目标跟踪自己试了下，效果不太好，尤其是在复杂光照环境下导致的问题较多。 被跟踪目标的外观、运动以及它是如何随着时间的推移而变化的是目标跟踪所要面...
【目标跟踪】Long-term Correlation Tracking 阅读笔记
工药叉的经文
03-07 6608
Long-term Correlation Tracking 论文地址： https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Ma_Long-Term_Correlation_Tracking_2015_CVPR_paper.pdf long_term_tracking tracking 阅读笔记 L...
多目标追踪笔记一：基于RNN的在线多目标跟踪——OnLine Multi-Target Tracking Using Recurrent Neural Networks
ycc2011的专栏
11-20 5189
最近看到这篇文章，觉得RNN+LSTM是一个很新颖的思路，结合论文和网上的资料看了下，具体总结如下，希望给后来人一点指引。如果写的有问题欢迎指出，一起进步哈。附上论文地址：https://arxiv.org/pdf/1604.03635.pdf     参考文章： https://blog.csdn.net/denghecsdn/article/details/78...
lstm原始论文_多目标跟踪（MOT）领域近期值得读的几篇论文
weixin_39649611的博客
12-04 1131
©PaperWeekly 原创 ·作者｜黄飘单位｜华中科技大学硕士生研究方向｜多目标跟踪Siamese Track-RCNN论文题目：Multiple Object Tracking with Siamese Track-RCNN作者团队：亚马逊云服务识别实验室论文链接：https://arxiv.org/abs/2004.07786这篇论文的思路很直接，其更多的创新还是还是基于 SO...
自适应相关滤波 with LSTM网络 for 目标追踪
skywalker_123的博客
07-06 3417
摘要：        目标跟踪具有挑战性，因为随着时间的推移，目标对象的外观经常会发生剧烈的变化。近年来，自适应相关滤波器已成功地应用于目标跟踪。然而，依赖于高自适应相关滤波器的跟踪算法容易因噪声更新而漂移。此外，由于这些算法不能保持对目标外观的长期记忆，因此无法从摄像机视图中的严重遮挡或目标消失所导致的跟踪失败中恢复。在本文中，我们提出学习多个具有长期和短期目标外观记忆的自适应相关滤波器，以实现...
视频目标检测与跟踪综述：IAET-2020年会议论文
本文是一篇发表于2020年国际创新工程与技术会议（IAET-2020）的研究论文，标题为《视频中目标检测和跟踪的各种技术综合研究》。作者Ajay Suria、Sudhir Kumar Sharma和Dileep Kumar Yadav分别来自印度贾伊普尔国家...
评论 3
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