论文笔记VITAL: VIsual Tracking via Adversarial Learning

于 2020-09-08 09:31:25 发布
阅读量315 收藏
点赞数
分类专栏： # 目标跟踪 文章标签： 目标跟踪 gan网络
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/u011609063/article/details/108455940
版权

论文笔记VITAL: VIsual Tracking via Adversarial Learning

1. 论文标题及来源

VITAL: VIsual Tracking via Adversarial Learning, CVPR, 2018
下载地址：https://openaccess.thecvf.com/content_cvpr_2018/papers/Song_VITAL_VIsual_Tracking_CVPR_2018_paper.pdf

2. 拟解决问题

a. 正样本在空间上高度重叠
b. 正负样本不平衡

3. 解决方法

3.1 算法流程

在这里插入图片描述
网络结构如上图所示，它的流程如下
a. 通过卷积网络提取模板和搜索区域的特征
b. 利用gan网络的思想生成权重掩码，丰富模板特征的多样性
c. 将预测的权重掩码作为卷积核，与搜索预期的特征进行相关操作(类似于相关滤波系列的方法)
d. 最后连接两个全连层进行分类和回归

值得注意的是，在训练的时候，G(生成器)和D(判别器)都会保留；在测试的时候，只保留D(判别器)

4. 实验结果

4.1 OTB2013

在这里插入图片描述
在这里插入图片描述

4.2 OTB2015

在这里插入图片描述

4.3 VOT2016

在这里插入图片描述

5. 总结

该论文将gan网络的思想引入目标跟踪，通过gan网络丰富模板的特征，使其不过于关注某一帧的特征，从而提升鲁棒性，在OTB数据集上取得了不错的效果(OTB2013: AUC-0.710, Prec-0.95, OTB2015: AUC-0.691, Prec-0.917)，但是在VOT数据集上，表现效果不佳

YSQ是我的
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
vital-unlocker:解锁！
07-12
生命解锁器 用于保存/恢复选项设置等的库。 例子 let s: Rocker = vital#of ( " vital " ). import ( " Unlocker.Rocker " ) let g: vital_unlocker_example_simple = 42 let s: dict = { " value " : 42 } " 保存する対象を指定してロックする " 設定できる値 " - オプション名(l: でローカルオプション) " - グローバル変数名 " - 辞書、リストの値 let s: locker = s: Rocker . lock ( " concealcursor " , " l:conceallevel " , " g:vital_unlocker_example_simple " , s: dict ) " 値の変更 let &concealcurso
Vital:Mushkin V的重要生产力
05-18
重要生产力 由Mushkin V.2015
vital-Whisky:vital.vim外部模块集合
05-28
重要威士忌 外部模块集合。 请注意，此存储库中的所有模块都是实验性的，可以删除。 模组 名称 描述 评论 添加界面以选择特殊映射 最小命令参数库 具有中间件支持的事件发射器 不推荐使用 一个简单的命令参数库 不推荐使用 使用异常显示消息 不推荐使用 ASCII微调器集合 不推荐使用 实用程序，用于管理合适的窗口 添加界面以可视方式选择窗口 Async.Observable.Process 基于Async.Observable的过程模块 Async.Promise.Deferred 基于Async.Promise的延迟模块 Async.Promise.Process 基于Async.Promise的流程模块 Async.CancellationToken CancellationToken取消承诺 Async.CancellationTokenSource Ca
Deep Learning: Practical Neural Networks with Java 完整高清英文azw3版
06-14
Deep Learning: Practical Neural Networks with Java by Yusuke Sugomori English | 8 Jun. 2017 | ASIN: B071GC77N9 | 1057 Pages | AZW3 | 20.28 MB Build and run intelligent applications by leveraging key Java machine learning libraries About This Book Develop a sound strategy to solve predictive modelling problems using the most popular machine learning Java libraries. Explore a broad variety of data processing, machine learning, and natural language processing through diagrams, source code, and real-world applications This step-by-step guide will help you solve real-world problems and links neural network theory to their application Who This Book Is For This course is intended for data scientists and Java developers who want to dive into the exciting world of deep learning. It will get you up and running quickly and provide you with the skills you need to successfully create, customize, and deploy machine learning applications in real life. What You Will Learn Get a practical deep dive into machine learning and deep learning algorithms Explore neural networks using some of the most popular Deep Learning frameworks Dive into Deep Belief Nets and Stacked Denoising Autoencoders algorithms Apply machine learning to fraud, anomaly, and outlier detection Experiment with deep learning concepts, algorithms, and the toolbox for deep learning Select and split data sets into training, test, and validation, and explore validation strategies Apply the code generated in practical examples, including weather forecasting and pattern recognition In Detail Machine learning applications are everywhere, from self-driving cars, spam detection, document search, and trading strategies, to speech recognitionStarting with an introduction to basic machine learning algorithms, this course takes you further into this vital world of stunning predictive insights and remarkable machine intelligence. This course helps you solve challenging problems in image processing, speech recognition, lan
Referral of the child with learning problems: Bridging a communication gap
06-29
Referral of the child with learning problems: Bridging a communication gap REFERRAL OF THE CHILD WITH LEARNING PROBLEPt'IS: BRIDGING A COhlAlUKICATION G A P MARY E. WALSH', FELICISIMA c. SERAFICA~, AND ROGER BIBACE Clark University Successful communication between the teacher and school psychologist is considered a vital factor in providing appropriate diagnostic and remediation services t o a child with a learning problem. All hoiigh considerable attention has been given to the psy
VITAL: VIsual Tracking via Adversarial Learning论文笔记
aaon22357的博客
07-29 882
<div class="markdown_views"> <h1 id="本文概览"><a name="t0"></a>本文概览</h1&am
【小白笔记】目标跟踪VIVAT(Visual Tracking via Adversarial Learning)论文笔记
Tominute的博客
05-27 3052
目标跟踪VIVAT(Visual Tracking via Adversarial Learning)论文笔记 目标跟踪VIVAT(Visual Tracking via Adversarial Learning)论文笔记 1.主要贡献 2.主要思路 2.1对抗学习 2.2价值敏感损失函数 2.3跟踪流程 1.主要贡献 这篇文章是18CVPR的spotlight...
CVPR2018读文笔记：VITAL：VIsual Tracking via Adversarial Learning
Trasper1的博客
08-08 1661
CVPR2018一共有三篇用Adverarial思想做tracking的文章。VITAL和SINT++不约而同都是处于利用adverarial的概念对缺乏diversity的在线采集正样本进行增强。 本文是UC Merced 大神Ming-Hsuan Yang与腾讯的强强联合，推出的一篇性能比肩ECO和MDNet的online trained two-stage T-by-D tracker。本...
【VITAL(CVPR2018 Spotlight)】阅读笔记
sinat_31184961的博客
02-18 526
论文：VITAL: VIsual Tracking via Adversarial Learning（利用对抗性学习的目标跟踪） 论文地址 写在前面 这篇文章是CVPR2018的Spotlight，感觉18年跟踪方面的Spotlight都是以精度取胜了，不过在跟踪方面还是效果为先，这篇文章的思路并不难，也没有过于复杂的公式推导，可能在一些措辞上有些不好理解。它最大的优点就是把GAN应用到目标跟踪这...
视觉追踪论文：基于孪生、生成对抗和分割
WHITElg的博客
11-18 1246
这篇博客是五篇论文的翻译和大概理解： Fast Online Object Tracking and Segmentation: A Unifying Approach VITAL: VIsual Tracking via Adversarial Learning Learning Discriminative Model Prediction fo...
OTB 2013 使用教程
热门推荐
Shmilysi的博客
11-25 1万+
下载完benchmark后会看到在文件中包含4个.m文件，main_running.m、perfPlot.m、genPerfMat.m、drawResultBB.m 第一种： 1 把自己的算法放到benchmark的文件夹trackers中。 2 打开main_running.m文件，在14和16行 分别打开configSeqs.m文件和configTrackers.m文件。conf
目标跟踪benchmark:OTB50、OTB2013、OTB100、OTB2015
qq_22763299的博客
05-06 1万+
OTB50 其对应视频序列为其网站的前50个视频序列，其中Skating因标注对象不同，可以看作两个视频序列 视频序列名称： Basketball Biker Bird1 BlurBody BlurCar2 BlurFace BlurOwl Bolt Box Car1 Car4 CarDark CarScale ClifBar Couple Crowds David Deer Divi...
知乎大神YaqiLYU关于tracking方向的2013-2016趋势总览！！！强烈推荐！！！
mini猿要成长QAQ
04-17 1万+
真真实实的学习tracking也有半年了，tracking的主流趋势年年改变，每年都有新的突破。从CT、IVT到struck，到TLD、到CF，再到火热的CNN也应用到了tracking领域。作为初入领域的学习者，需要在打好机器学习各种算法的基础上，了解每年顶级会议以及期刊中tracking的发展方向，尽力把握前沿动态。 下面是对知乎大神YaqiLYU的年年总结的转载，对于把握从2013年到20
tracker_benchmark_v1.0计算OTB2013或OTB2015数据集的平均FPS
博博有个大大大的Dream
05-14 2948
方法一：总帧数除以总时间（算出来的结果很真实，但是偏小） 1、在目标跟踪tracker_benchmark_v1.0的目录下新建FPSperfPlot.m，内容代码如下： clear close all; clc addpath('./util'); seqs=configSeqs; trackers=configTrackers; % seqs = seqs(1:10); %...
OTB工具箱使用笔记
qq_33558872的博客
11-17 4314
https://blog.csdn.net/devil_08/article/category/7603797 这个教程已经很完美了，可以参考。
otb 数据集评估代码注释
论文学习笔记-《Fast Online Object Tracking and Segmentation- A Unifying Approach》
04-16 2290
main_running.m
VOT2013-2016论文的重点内容
Dr_destiny的博客
04-28 1303
写这篇文章，是给看完我之前的文章后想深入了解VOT的读者指一条路（文章链接VOT（Visual Object Tracking）评价指标综述）。因为VOT发展到现在，每年都会有相关的论文发表，笔者从2013年的文章读到2016年，感觉全部通读下来太累，所以在此把每篇论文（并非全部，主要是每年VOT Challenge Results的论文）最需要细读的地方罗列出来。个人认为把这些部分先看完，就可以...
OTB 2013 使用教程（颜色判断）
sannianyihoushuma的博客
01-13 804
https://blog.csdn.net/shmilysi/article/details/53018899
VITAL: Visual Tracking via Adversarial Learning 阅读笔记
aiqiu_gogogo的博客
04-18 6883
本文概览 本文是一篇很不错的关于目标跟踪算法的文章，收录于CVPR2018。 论文链接：https://arxiv.org/pdf/1804.04273.pdf 本文主要分析了现有的检测式跟踪的框架在模型在线学习过程中的两个弊病，即： ①、每一帧中正样本高度重叠，他们无法捕获物体丰富的变化表征； ②、正负样本之间存在严重的不均衡分布的问题； 针对上述问题，本文提出 VITAL 这个算法...
ti 1642测心率 vital signs 驾驶员生理信号检测
最新发布
05-01
TI 1642是一种能够测量心率和血氧饱和度等生理信号的设备，它在驾驶员生理信号检测中有着广泛的应用。 在驾驶中，驾驶员的生理信号如心率、血压等会随着驾驶过程中的车速、路况、交通流等因素发生变化。...

“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
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