文献翻译
文章平均质量分 89
听我的错不了
江湖再见。
展开
-
Group-wise Correlation Stereo Network--大致理解cvpr19
摘要分组 相关性 立体 网络Group-wise correlation群相关为测量特征相似性提供了有效的表示,并且不会像full correlation完全相关那样失去太多的信息。与以往的方法相比,它在减少参数时也保持了更好的性能。对以往提出的三维堆叠沙漏网络进行了改进,提高了性能,降低了推理计算成本。本文工作这篇文章主要提出了以下贡献:提出了分组相关性,来构建代价体 (cost volumes)以提供更好的相似性度量;(针对相似性问题本文利用这样一种分组相关性构造代价体)改进了 stack原创 2021-05-21 19:10:50 · 683 阅读 · 0 评论 -
FNet: Mixing Tokens with Fourier Transforms --粗读
摘要我们证明,通过用简单的线性转换可以取代自注意力层,transformer编码器架构可以通过“混合”输入标记的线性转换来大幅提高速度,精度成本有限。这些线性变换,以及前馈层中简单的非线性层,足以在几个文本分类任务中建模语义关系。也许最令人惊讶的是,我们发现用标准的、非参数化的傅里叶变换替换transformer编码器中的自我注意层在GLUE基准上实现了92%的精度,但在GPU上运行速度快7倍,在TPU上快两倍。所得到的模型,我们命名为FNet,非常有效地扩展到长输入,与 the Long Range A原创 2021-05-21 18:37:09 · 1668 阅读 · 0 评论 -
LightTrack: Finding Lightweight Neural Networks for Object Tracking via One-Shot Architecture Search
Abstract目标跟踪在过去几年中取得了重大进展。然而,最先进的跟踪器变得越来越复杂和昂贵,这限制了它们在资源受限的应用程序中的部署。 在这项工作中,我们提出了LightTrack,它使用神经结构搜索(NAS)来设计更轻量和高效的对象跟踪器。综合实验表明,该方法是有效的。它可以找到性能优于手工制作的SOTA跟踪器,如siamrpn++[30]和Ocean[56],同时使用更少的模型Flops和参数。此外,当部署在资源受限的移动芯片组上时,所发现的追踪器运行速度要快得多。例如,在Snapdragon 84原创 2021-05-21 18:00:35 · 2084 阅读 · 6 评论 -
<Transformer Meets Tracker: Exploiting Temporal Context for Robust Visual Tracking>
摘要模板集在视频对象跟踪中,连续帧之间存在丰富的时间上下文,而在现有的跟踪器中却被很大程度上忽略了。 在这项工作中,我们桥接单个视频帧,并通过一个用于稳固目标跟踪的Transformer架构探索跨上下文。 与在自然语言处理任务中使用Transformer的经典用法不同,我们将其编码器和解码器分为两个并行分支,并在类似于Siamese的跟踪pipeline中精心设计它们。 Transformer编码器通过基于注意力的特征增强来促进目标模板,这有利于高质量跟踪模型的生成。 Transformer解码器将跟踪提原创 2021-04-13 15:09:41 · 716 阅读 · 0 评论 -
<Learning Spatio-Temporal Transformer for Visual Tracking>--阅读理解-cvpr2021
摘要在本文中,我们提出了一种新的跟踪架构,其中的编码器-解码器transformer为关键组件。 编码器对目标对象和搜索区域之间的全局时空特征相关性进行建模,而解码器学习嵌入的查询以预测目标对象的空间位置。 我们的方法将目标跟踪转换为直接边界框预测问题,而无需使用任何建议或预定义锚。 使用编解码器变压器,对象的预测仅使用简单的全卷积网络,该网络可以直接估计对象的拐角。 整个方法是端到端的,不需要任何余弦窗口和边界框平滑之类的后处理步骤,从而大大简化了现有的跟踪管道。 拟议的跟踪器在五个具有挑战性的短期和长原创 2021-04-11 10:51:18 · 1928 阅读 · 0 评论 -
Rotation Equivariant Siamese Networks for Tracking ---cvpr2021-sot
用于跟踪的旋转等变siamese网络Abstract旋转是视觉对象跟踪中长期存在但尚未解决的艰巨挑战之一。 现有的基于深度学习的跟踪算法使用常规的CNN,这些CNN本质上是平移等变的,但并非旨在解决旋转问题。 在本文中,我们首先证明视频中存在旋转实例时,现有跟踪器的性能会受到严重影响。 为了避免旋转的不利影响,我们介绍了等速旋转连体网络(RE-SiamNets),该网络是通过使用包含可控滤镜的等分组卷积层构建的。 SiamNets允许以无人监督的方式估计对象方向的变化,从而也方便了其在相对2D姿势估计原创 2021-03-04 19:18:53 · 1826 阅读 · 1 评论 -
Contrastive Transformation for Self-supervised Correspondence Learning用于对应性自监督学习的对比变换
Abstract在本文中,我们着重于在野外使用未标记的视频对视觉对应进行自我监督学习。 我们的方法同时考虑了视频内和视频间表示关联,以进行可靠的对应估计。视频内学习经由帧对相似性在单个视频内的帧之间转换图像内容。为了获得实例级分离的判别表示,我们超越了视频内分析,并构建了视频间亲和力,以促进跨不同视频的对比转换。 通过强制视频内和视频间级别之间的转换一致性,可以很好地保留细粒度的对应关系,并有效地增强实例级别的特征区分。 我们的简单框架在一系列视觉任务(包括视频对象跟踪(VOT),视频对象分段(VOS原创 2021-01-07 16:36:09 · 982 阅读 · 0 评论 -
Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation--精度翻译cvpr21
Abstract视觉对象跟踪的目的是精确估计给定目标的边界框,由于诸如变形和遮挡等因素,这是一个具有挑战性的问题。 许多最新的跟踪器采用多阶段跟踪策略来提高边界框估计的质量。 这些方法首先粗略地定位目标获取,然后在接下来的阶段中完善初始预测。 但是,现有的方法仍然受限于精度,而且不同阶段的耦合严重限制了该方法的可移植性。 这项工作提出了一种新颖,灵活,准确的细化模块,称为Alpha-Refine,可以显着提高基本跟踪器的预测质量。 通过探索一系列设计方案,我们得出结论,成功进行精炼的关键在于尽可能多地提取原创 2020-12-16 21:28:33 · 3336 阅读 · 4 评论 -
cv中的注意力机制论文:CBAM and BAM 阅读理解
Abstract我们提出了卷积-块-注意力-模块(CBAM),这是一种用于前馈卷积神经网络的简单而有效的注意力模块。 给定一个中间特征图,我们的模块会沿着两个独立的维度(通道和空间)依次推断注意力图,然后将注意力图与输入特征图相乘以进行自适应特征细化。 由于CBAM是轻量级的通用模块,因此可以将其无缝集成到任何CNN架构中,而开销却可以忽略不计,并且可以与基础CNN一起进行端到端训练。 我们通过在ImageNet-1K,MS COCO检测和VOC 2007检测数据集上进行的广泛实验来验证CBAM。我们的原创 2020-11-24 20:15:07 · 5027 阅读 · 0 评论 -
Online Visual Tracking with One-Shot Context-Aware Domain Adaptation阅读翻译
Abstract在线学习策略使视觉跟踪器可以通过学习特定领域的线索来更强大地抵抗各种失真。 但是,跟踪器采用此策略无法充分利用背景区域的区分上下文。 此外,由于每个时间步长都缺乏足够的数据,因此在线学习方法还可能使跟踪器易于过度拟合背景区域。 在本文中,我们提出了一种域自适应方法来增强语义背景上下文的贡献。 领域适应方法仅由现成的深度模型来支撑。 所提出的方法的优势在于其具有判别能力,可以应对严重的咬合和背景杂乱的挑战。 我们进一步引入了一种成本敏感型损失,以减轻非语义背景对语义候选者的支配性,从而解决了原创 2020-10-04 10:30:26 · 398 阅读 · 0 评论 -
Ocean/Ocean+: 实时目标跟踪分割算法《Object-aware Anchor-free Tracking》翻译
在过去的几年中,基于anchor的Siamese算法成为了单目标跟踪的主流。但是其本身在训练时设置了较为严苛的正负样本阈值(IoU>0.6)。这种设置固有的问题是:算法在训练时无法“看见”重合度较小的anchor,如果在测试时候分类分支将这样的anchor选为目标区域,那回归网络预测结果将非常差。本次分享,我们邀请到了中科院模式识别实验室的张志鹏博士。为解决上述问题,他们在论文中提出了基于anchor-free的回归网络,和基于特征对齐的object-aware分类网络。anchor-free回归网原创 2020-09-02 15:47:49 · 8465 阅读 · 0 评论 -
基于癫痫心电图的gru建模
datasets:abstract该数据库收集自波士顿儿童医院,其中包括患有难治性癫痫发作的儿科患者的脑电图记录。停用抗癫痫药物后最多持续几天对受试者进行监测,以表征其癫痫发作并评估其对手术干预的候选资格。资料说明从22个受试者中收集了23个病例的记录(5例男性,3-22岁; 17例女性,1.5-19岁)。 (案例chb21是在案例chb01之后1.5年从同一女性受试者获得的。)文件SUBJECT-INFO包含每个受试者的性别和年龄。 (案例chb24已于2010年12月添加到此收藏中,并且当前未包原创 2020-08-27 15:02:08 · 362 阅读 · 0 评论 -
UpdateNet -- 大致理解
AbstractSiam方法通过从当前帧中提取外观模板来解决视觉跟踪问题,该模板用于在下一帧中定位目标。通常,此模板与前一帧中累积的模板线性组合,导致信息随时间呈指数衰减。 尽管这种更新方法可以改善结果,但其简单性限制了通过学习更新可能获得的潜在收益。 因此,我们建议用一种学习更新的方法来代替手工更新功能。 我们使用一个称为UpdateNet的卷积神经网络,该网络给出了初始模板,累积的模板和当前帧的模板,旨在估计下一帧的最佳模板。 UpdateNet紧凑,可以轻松集成到现有的暹罗跟踪器中。 我们通过将原创 2020-07-28 20:59:47 · 3900 阅读 · 0 评论 -
MoNet: Deep Motion Exploitation for Video Object Segmentation
摘要在本文中,我们提出了一种新颖的MoNet模型,该模型从帧表示学习和分割细化两个方面深入挖掘运动线索来提高视频对象的分割性能。 具体而言,MoNet利用计算出的运动提示(即光流)通过对齐和整合来自其邻居的表示来增强目标帧的表示。 新的表示形式为分割提供了有价值的时间上下文 ,并提高了对各种常见污染因素的鲁棒性,例如运动模糊,外观变化和视频对象变形。 此外,MoNet可以解决运动不一致的问题,并将这种运动提示转换为前景/背景,然后才能避免因混淆实例和嘈杂区域而分散注意力。 通过引入距离变换层,MoNet可原创 2020-07-10 14:51:05 · 910 阅读 · 0 评论 -
Siamese Keypoint Prediction Network for Visual Object Tracking---论文翻译
paper:http://xxx.itp.ac.cn/pdf/2006.04078v1code:https://github.com/ZekuiQin/SiamKPNAbstract视觉对象跟踪旨在根据给定的初始边界框来估计视频序列中任意目标的位置。通过利用离线特征学习,暹罗范式最近已成为高性能跟踪的领先框架。但是,当前现有的暹罗跟踪器要么严重依赖于基于锚的复杂检测网络,要么缺乏抵抗干扰者的能力。在本文中,我们提出了暹罗关键点预测网络(SiamKPN)来应对这些挑战。在使用Siamese主干进行特征嵌原创 2020-06-10 16:11:08 · 789 阅读 · 0 评论 -
Siamese Box Adaptive Network for Visual Tracking --Siamban,CVPR2020单目标跟踪开源
论文链接 : http://xxx.itp.ac.cn/pdf/2003.06761v2.pdf开源项目:https://github.com/hqucv/siamban创新点:siamban框架改进:准确估计目标的尺度和纵横比由于RPN引入导致的参数复杂性Abstract现有的跟踪器大多依赖于多尺度搜索方案或预定义的锚来精确估计目标的尺度和纵横比(the scale and aspect ratio of a target)。不幸的是,它们通常需要无脑的启发式配置。为了解决这个问题,我们提出了原创 2020-05-31 14:14:04 · 4720 阅读 · 5 评论 -
MAML-Tracker --CVPR2020,目标跟踪方向论文翻译
论文地址:https://arxiv.org/pdf/2004.00830.pdf基于实例检测的跟踪:元学习方法Abstract我们认为跟踪问题是一种特殊类型的对象检测问题,我们称之为实例检测。有了适当的初始化,检测器就可以通过从单个图像学习新实例而快速转换为跟踪器。我们发现(model-agnostic )模型无关元学习(MAML)提供了一种初始化检测器以满足我们需求的策略。我们提出了一个有原则的三步方法来构建一个高性能的跟踪器。首先,选择任何受过梯度下降训练的现代物体探测器。第二,使用MAML进原创 2020-05-30 16:13:28 · 552 阅读 · 0 评论 -
CVPR2020开源文章--跟踪部分
https://arxiv.org/abs/2004.00830https://arxiv.org/pdf/2004.01888原创 2020-05-29 12:49:21 · 239 阅读 · 0 评论 -
论文翻译--Deep Feature Flow for Video Recognition (继续更新中)
Abstract深度卷积神经网络在图像识别方面取得了很大的成功。然而,将最先进的图像识别网络转换成视频并非易事,因为每帧的评估速度太慢,而且负担不起。提出了一种基于深度特征流的快速、准确的视频识别框架。它只在稀疏关键帧上运行繁琐的卷积子网络,并通过流场将它们的深度特征映射传播到其他帧。由于流计算速度相对较快,因此实现了显著的加速。整个体系结构的端到端训练显著提高了识别精度。深度特征流具有灵活性和...原创 2020-03-10 11:10:03 · 737 阅读 · 0 评论 -
Learning Discriminative Model Prediction for Tracking --- 论文翻译
这是CVPR2019上一篇单目标跟踪的文章,效果特别好.虽然现在研究的是siam系列,但是翻译一下,以后学习用得到Abstract目前,端到端可训练计算机视觉系统的发展给视觉跟踪带来了巨大的挑战。与大多数其他视觉问题相比,跟踪需要在推理阶段在线学习一个robust的目标特定的外观模型。为了实现端到端可训练,目标模型的在线学习需要嵌入到跟踪体系结构中。由于这些困难,流行的Siamese只是简单...原创 2020-01-08 21:57:55 · 1486 阅读 · 1 评论 -
Meta-SGD: Learning to learn quickly for few shot learning---翻译理解
Abstract对于孤立地从头开始学习每个任务的算法来说,少镜头学习是一个挑战。相反,元学习从许多相关的任务中学习,元学习者可以用更少的例子更准确、更快地学习新任务,而元学习者的选择是至关重要的。在这篇论文中,我们开发了一种类似于sgd的、易于训练的元学习器,它可以在监督学习和强化学习上一步初始化和适应任何可微分的学习者。与流行的元学习器LSTM相比,元sgd在概念上更简单,更容易实现,并且可以...原创 2020-01-02 16:20:37 · 1089 阅读 · 4 评论 -
CenterNet: Keypoint Triplets for Object Detection ----- 论文翻译理解
Abstract在对象检测中,基于关键点的方法经常遇到大量不正确的对象边界框,这可能是由于缺少对裁剪区域的额外检查。本文提出了一种有效的解决方案,以最小的代价探索每个裁剪区域内的视觉模式。在一个具有代表性的单阶段基于关键点的探测器(称为街角网)上构建我们的框架。我们的方法名为CenterNet,它将每个对象作为关键字的三联体(而不是一对)来检测,从而提高了精确度和召回率。为此,我们设计了 cas...原创 2019-12-30 17:01:47 · 533 阅读 · 0 评论 -
CREST: Convolutional Residual Learning for Visual Tracking ---- 文献翻译理解
Abstract鉴别相关滤波器(DCFs)在视觉跟踪中表现出良好的性能。他们只需要从初始帧中提取一小组训练样本来生成外观模型。然而,现有的DCFs分别从特征提取中学习滤波器,并使用经验加权的移动平均操作更新这些滤波器。DCF跟踪器很难从端到端的培训中受益。本文提出了将DCFs重构为单层卷积神经网络的算法。该方法将特征提取、响应图生成和模型更新集成到神经网络中进行端到端训练 为了减少在线更新过程中...原创 2019-12-22 11:00:51 · 590 阅读 · 0 评论 -
元学习----Meta-Tracker: Fast and Robust Online Adaptation for Visual
Abstract这篇论文改进了最先进的使用在线适应的视觉对象跟踪器。(MDNET)我们的核心贡献是一种基于离线mete-learning-based的方法,用于调整在线适应跟踪中使用的初始深度网络。元学习是由深层网络的目标驱动的,深层网络可以在未来的框架中快速地适应对特定目标的鲁棒建模。理想情况下,得到的模型关注于对未来帧有用的特性,避免对背景杂波、目标的小部分或噪声的过度拟合。通过在元收益期间...原创 2019-12-19 16:31:46 · 786 阅读 · 3 评论 -
相关滤波经典文献C-COT : Beyond Correlation Filters: Learning Continuous Convolution Operators for Visual
Abstract判别式相关滤波器(DCF)具有良好的视觉目标跟踪性能。他们成功的关键是有效利用可用的负面数据的能力,包括一个训练样本的所有移位版本。然而,低级的DCF形式仅限于单分辨率的特征图,这极大地限制了它的潜力。在这篇文章中,我们超越了传统的DCF框架,介绍了一种训练连续卷积滤波器的新方法。我们使用隐式内插模型来提出连续空间域的学习问题。我们提出的方案能够有效地整合多分辨率深度特征图,从而...原创 2019-12-19 16:31:40 · 447 阅读 · 0 评论 -
Fast Online Object Tracking and Segmentation: A Unifying Approach ---SiamMask
Abstract在这篇论文中,我们用一个简单的方法演示了如何实时地执行视觉对象跟踪和半监督视频对象分割。我们的方法,被称为SiamMask,改进了当前流行的全卷积Siamese方法的离线训练过程,通过增加它们的损失和一个二值分割任务。一旦接受了训练,SiamMask就只依赖于一个初始化的边界框,并在网上操作,生成类无关的对象分割蒙版和旋转边界框,速度为每秒55帧。尽管其简单、多功能性和快速,我们...原创 2019-12-17 21:12:24 · 430 阅读 · 0 评论 -
SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks
Abstract基于Siamese网络的跟踪器将跟踪描述为目标模板和搜索区域之间的卷积特征互相关。然而,与最先进的算法相比,Siamese追踪器的精度仍有差距,它们无法利用深度网络(如ResNet-50或更深)的特性。在这部著作中,我们证明了核心原因来自于缺乏严格的平移不变性。通过全面的理论分析和实验验证,我们通过一种简单而有效的空间感知采样策略打破了这一限制,成功地训练了一个性能显著提高的re...原创 2019-12-17 19:58:02 · 674 阅读 · 0 评论 -
《Learning Spatially Regularized Correlation Filters for Visual Tracking》---文献理解翻译
这是cfnet中的8号引用文献,和13一样都是对边界问题进行阐述的,稍微阅读以一下,有助于理解.Abstract准确的视觉跟踪是计算机视觉领域最具挑战性的问题之一。由于训练数据的固有不足一种鲁棒的目标外观模型构建方法至关重要。近年来,有选择地学习相关滤波器(DCF)被成功地应用于跟踪这一问题。这些方法利用训练样本的周期性假设来有效地学习目标邻域内所有patch上的分类器。然而,周期性假设也引入...原创 2019-12-13 16:00:12 · 1175 阅读 · 0 评论 -
《Correlation Filters with Limited Boundaries》--文献阅读理解
这是cfnet的引用文献的13号,原文引用–“We found that it was important to provide the Correlation Filter with a large region of context in the training image, which is consistent with the findings of Danelljan et al....原创 2019-12-13 15:25:03 · 780 阅读 · 0 评论 -
图像修复文章扩展阅读《Understanding and Predicting Image Memorability at a Large Scale》
好兄弟的研究方向,拿来阅读一下,看是否可以帮忙,图像修复这个方向比较冷门,确实困难较大。摘要评估视觉记忆能力的进展一直受到小规模和缺乏各种基准数据的限制。在这里,我们引入了一种新的实验方法来客观地测量人类的记忆,从而使我们能够构建LaMem(一种数据集),这是迄今为止最大的带注释的图像记忆数据集(包含来自不同来源的60,000张图像)。使用卷积神经网络(CNNs),我们证明了微调后的深度特征...原创 2019-12-04 20:23:49 · 319 阅读 · 0 评论 -
《Siam R-CNN: Visual Tracking by Re-Detection》------文献翻译
Siam R-CNN: Visual Tracking by Re-Detection(Siam R-CNN:通过重新检测进行视觉跟踪)摘要我们提出了Siam R-CNN,这是一个Siam的再检测架构,它充分发挥了两阶段目标检测方法在视觉目标跟踪中的作用。我们将此与一种新的基于轨迹的动态规划算法相结合,该算法利用第一帧模板和前一帧预测的重新检测,来建模被跟踪对象和潜在干扰对象的完整历史。这使得...原创 2019-12-02 17:57:58 · 7802 阅读 · 5 评论 -
《Low-rank Random Tensor for Bilinear Pooling》--翻译
paper: https://arxiv.org/pdf/1906.01004.pdfAbstract双线性池能够从数据中提取高阶信息,适合于细粒度的可视化理解和信息融合。具有大量参数的双线性模型虽然在各种应用中都很有效,但容易出现维数诅咒和计算困难的问题。**本文提出了一种新的基于低秩随机张量的双线性模型。其关键思想是将低秩张量分解和随机投影有效地结合起来,在保持模型代表性的同时减少参数的个...原创 2019-11-18 09:47:52 · 423 阅读 · 0 评论 -
《Deep Residual Learning for Image Recognition》------ResNet 经典网络论文研读
最近看STE-NVNAN的时候开始学习网络,使用pytorchAbstract更深层次的神经网络更难训练。我们提出了一个残差学习框架来简化网络的训练,这些网络比以前使用的网络要深刻得多。该框架使得层能根据其输入来学习残差函数而非原始函数(unreferenced functions)。我们提供了全面的经验证据表明,这些残差网络更容易优化,并可以获得精度从大幅增加的深度。在ImageNet数据集...原创 2019-11-06 21:13:07 · 334 阅读 · 0 评论 -
《Pose Invariant Embedding for Deep Person Re-identification》reid开源 文章翻译
Abstract行人偏差主要是由探测器误差和姿态变化引起的,是鲁棒的人再识别系统的关键问题。在配准不佳的情况下,背景噪声会显著地忽略特征学习和匹配过程。为了解决这一问题,本文引入了位姿不变嵌入(PIE)作为行人描述符。首先,为了使行人与标准姿态对齐,引入了PoseBox结构,该结构通过姿态估计和仿射变换生成。**其次,为了减少姿态估计误差和姿态估计信息丢失对PoseBox构建的影响,我们设计了一...原创 2019-11-04 21:08:10 · 1267 阅读 · 0 评论 -
《Panoptic Feature Pyramid Networks(FAIR)》---- 论文翻译 何楷明大佬最新论文
Abstract最近引入的Panoptic(全景)分割任务重新唤起了我们社区对统一实例分割(对象类)和语义分割(对象类)任务的兴趣。然而,目前用于这种联合任务的最先进的方法使用单独的和不同的网络,例如和语义分割,而不执行任何共享计算。在这项工作中,我们的目标是在架构级别上统一这些方法,为这两个任务设计一个单一的网络。我们的方法是使用共享特征金字塔网络(FPN)骨干网,赋予掩模R-CNN一种流行的...原创 2019-11-04 19:19:07 · 285 阅读 · 0 评论 -
CVPR 2018 FlowTrack:《End-to-end Flow Correlation Tracking with Spatial-temporal Attention》
https://blog.csdn.net/ms961516792/article/details/81408674原创 2019-11-04 15:11:02 · 178 阅读 · 0 评论 -
《Spatially and Temporally Efficient Non-local Attention Netw......》翻译文献--学习网络
Abstract基于视频的人再识别(reid)旨在匹配行人在非重叠相机上的视频序列。如何将视频的时空信息嵌入到特征表示中,是一项很有挑战性的实际工作。现有的方法大多是通过汇聚图像特征和设计神经网络的注意力机制来学习视频特征,而只在高层特征上研究帧之间的相关性。在这项工作中,我们的目标是细化具有非局部注意操作的中间特征和高级特征,并做出了两个贡献。(i)我们建议建立一个非本地视频注意力网络(N...原创 2019-10-30 20:32:59 · 993 阅读 · 0 评论 -
GCT,GCN
CVPR2019丨首个siamese网络中训练GCNs的视觉追踪方法《Graph Convolutional Tracking》:https://blog.csdn.net/weixin_43922139/article/details/93203536GCN:https://blog.csdn.net/qq_32797059/article/details/90940340...原创 2019-10-17 16:31:55 · 272 阅读 · 0 评论 -
《 ROP EDGE : TOWARDS DEEP GRAPH CONVOLU - TIONAL NETWORKS ON NODE CLASSIFICATION》
摘要过拟合和过度平滑是发展深度图卷积网络进行节点分类(Node classification)的两个主要障碍。特别是过拟合会削弱小数据集的泛化能力,而过平滑会随着网络深度的增加而将输出表示从输入特征中分离出来,从而阻碍模型的训练。本文提出了一种新颖灵活的技术DropEdge来缓解这两个问题。在其核心,DropEdge在每个训练元随机地从输入图中删除一定数量的边,充当数据扩充器和消息传递减速器。此...原创 2019-10-17 16:18:03 · 438 阅读 · 0 评论 -
走进VOT--《High Performance Visual Tracking with Siamese Region Proposal Network》阅读翻译
前言:siamRPN是Siamfc之后的又一突破。SiamFC的缺点:Siamese的方法只能得到目标的中心位置,但是得不到目标的尺寸,所以只能采取简单的多尺度加回归,这即增加了计算量,同时也不够精确。大佬翻译:https://blog.csdn.net/aaon22357/article/details/91966297本文的改进:SiamFC+ RPN Network,输出两个分支,分...原创 2019-10-14 21:15:36 · 1059 阅读 · 0 评论