Deep Learning for Visual Tracking: A Comprehensive Survey(单目标跟踪目前最好的综述类文章)

Deep Learning for Visual Tracking: A Comprehensive Survey
https://arxiv.org/pdf/1912.00535.pdf

摘要

视觉目标跟踪是计算机视觉中最抢手但最具挑战性的研究主题之一。 鉴于问题的不适性及其在广泛的实际场景中的普遍性,已经建立了许多大规模的基准数据集,并在此基础上开发出了可观的方法,并证明了近年来的巨大进步– 主要是基于最近基于深度学习(DL)的方法。 这项调查旨在系统地调查当前基于DL的视觉跟踪方法,基准数据集和评估指标。 它还广泛评估和分析了领先的视觉跟踪方法。 首先,从以下六个关键方面总结了基于DL的方法的基本特征,主要动机和贡献:网络体系结构,网络开发,视觉跟踪的网络训练,网络目标,网络输出以及相关过滤器优势的开发。 其次,比较了流行的视觉跟踪基准及其各自的属性,并总结了它们的评估指标。 第三,在一系列公认的OTB2013,OTB2015,VOT2018和LaSOT基准上,对基于DL的最新方法进行了全面检查。 最后,通过对这些最新方法进行定量和定性的批判性分析,研究了它们在各种常见情况下的利弊。 它可以作为从业人员温和的使用指南,以权衡何时何地在什么条件下选择哪种方法。 它还促进了对当前问题的讨论,并阐明了有前途的研究方向。
在这里插入图片描述

1 INTRODUCTION

通用视觉跟踪旨在在只有目标的初始状态(在视频帧中)可用时估计未知视觉目标的轨迹。 视觉跟踪是一个开放且有吸引力的研究领域(见图1),具有广泛的类别和应用。 包括自动驾驶汽车[1] – [4],自动驾驶机器人[5],[6],监视[7]-[10],增强现实[11]-[13],无人机(UAV)跟踪[ 14],体育[15],外科手术[16],生物学[17] – [19],海洋探险[20],仅举几例。 在复杂的现实世界场景中,视觉跟踪(即无模型跟踪&#x

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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