![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Siamese加时序
文章平均质量分 76
lightning980729
这个作者很懒,什么都没留下…
展开
-
早期关于siamese利用时序的文章
Tracking Holistic Object Representations 跟踪过程中,目标是动态变化的,所以,作者就想设计一种动态的目标表达方法,来很好的建模 object template 的变化。LTM模块的目标用于存储具有最大多样性的跟踪结果。STM 模块的目标是处理快速形变和部分遮挡。 我认为该方法有效地选择了有利帧,但是没有考虑帧间的联系,还是独立的搜索。 消融实验表明该方法有效地提高了鲁棒性,但是精度也下降比较明显。说明模板更新还是很容易受到误差累积的影响。 MemTrack:Lea原创 2021-04-15 22:04:55 · 329 阅读 · 0 评论 -
Target Transformed Regression for Accurate Tracking
Motivation 最近anchor-free的机制带来了一个有效的回归策略,但是不能产生精细的bbox估计。本文的核心是建立器目标模板和搜索图像区域的相关性,并用产生的视觉特征增强后的结果提升回归的精度。同时,我们还设计了一个简单的在线模板更新机制。 anchor-free跟踪得不精确是因为我们将跟踪问题作为一个one-shot监督来训练导致对没见过的变形和变化泛化性不好。 本文得核心问题是:如何将目标信息集成到回归分支中,以保留其精确的边界信息并及时处理其变化。 利用transfomer获得增强得模板原创 2021-04-14 23:09:18 · 588 阅读 · 0 评论 -
STMTrack: Template-free Visual Tracking with Space-time Memory Networks
Motivation 离线训练的Siamese跟踪器充分挖掘了第一帧模板的信息,但是不能处理目标的表观变化。现有的方法要么基于耗时大量的优化,要么基于复杂设计的策略,阻碍了他们实时跟踪和实际应用,本文利用历史信息建立时空记忆网络,引导跟踪器聚焦于搜索图像上最有信息价值的区域,并且pixel级的相似性计算使得跟踪器生成更加精确的bbox。 作者提到以前的工作致力于设计一个模板更新机制,而本文是建立在记忆网络中,因此避免使用模板和更新,所以称作 template-free。疑惑。 Method 特征提取的部分包原创 2021-04-14 15:22:05 · 1256 阅读 · 0 评论 -
Learning Spatio-Temporal Transformer for Visual Tracking
Motivation 卷积kernel不能对图像特征长距关系进行建模,因此他们只能处理一个局部邻域,无论是空间还是时间。空间信息包含了用于定位的目标表观信息,时序信息包含了目标的变化。本文利用encoder-decoder transformer结构建模全局的时空特征关系。encoder的输入是初始目标、当前图像和一个动态更新的模板,self-attention能够建立起他们空间上的关系,由于模板是动态更新的所以encoder能够抓住时空信息。decoder预测目标的空间位置。本文直接对bbox进行预测,减原创 2021-04-13 22:39:20 · 1020 阅读 · 0 评论 -
Transformer Meets Tracker: Exploiting Temporal Context for Robust Visual Tracking
Motivation 在视频目标跟踪领域,连续帧之间含有丰富的时序关系,在现有的跟踪器中被很大一部分忽视了,本文将独立的帧联系起来,并通过transformer探索时序上下文关系。本文提出的transformer分为encoder和decoder,类似一种siamese的跟踪流程。encoder通过attention进行模板特征增强,decoder将跟踪的线索从历史帧带到当前帧。并能同时最用在Siamese和DiMP。 之前的工作由于误差累积的关系,连续帧之间的时序关系都被忽视了,或者被当作独立的对等体没有原创 2021-04-13 13:28:37 · 729 阅读 · 0 评论 -
Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking
Motivation 本文探讨基于分割的跟踪没有有效地使用时序信息。1.基于bbox回归的跟踪器无法解绝复杂的非刚性变化,并且回归分支不能适应目标的表观变化。2.基于VOT的分割方法主要考虑没有较多背景相似干扰我i的大目标,所以应用于目标小,运动大的跟踪场景表现不好。 1.提出设计一个外观记忆网络(AMN),使分割分支适应时间外观变化,同时避免模型漂移。 2.利用DCF模型建立特征与空间之间的映射关系,进而构建空间存储网络(SMN)。 SMN有助于滤除AMN中的噪声样本,而AMN为SMN提供了更精确的目标几原创 2021-04-12 16:29:58 · 231 阅读 · 0 评论 -
Fully Convolutional Online Tracking
Motivation 在线学习能够简单应用于分类分支,而应用于回归分支上有挑战,本文类似于DiMP,设计了在线学习的基于anchor-free的回归方式。有点类似将DiMP结合SIamfc++。 Method 区别在于设计了decoder提高分辨率,多尺度分类。 具体的设计几乎和DiMP一样 Experiments Multi-scale classification 显然高分辨率有助于提升精度,但可能损害鲁棒性,结合起来效果取得平衡。 Online learning for regression原创 2021-04-12 14:50:22 · 231 阅读 · 0 评论 -
Dynamic Attention guided Multi-Trajectory Analysis for Single Object Tracking
Motivation: 现有的单目标跟踪方法主要是基于局部搜索窗的方式,这会让跟踪器更加的vulnerable。尽管有全局搜索的方法,但是在如何选择上面是个两难的问题,而且引入全局信息在有相似物体的时候也很难。作者提出一个问题,能否让局部和全局搜索动态的结合起来。在本文,作者构建了一个由大量的目标模板组成的动态表观模型,基于不同的模板不同的跟踪结果建立了多轨迹的跟踪历史,最后引入了多轨迹的选择网络来实现最好的结果。 作者认为提升深度特征到达了瓶颈,需要设计更加新颖有效地跟踪策略。 方法: 1.动态的全局目原创 2021-04-12 14:22:23 · 379 阅读 · 0 评论