目标跟踪
听我的错不了
江湖再见。
展开
-
科研结束,我们江湖再见
昨日盲审出结果,得到89,95分,我的学生生涯以及科研生涯可能就要提前宣告结束了,感谢自己三年来的努力,感谢自己三年来的不放弃,也感谢所有帮助过我的人,我们来日方长,江湖再见。原创 2022-05-07 18:41:14 · 352 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 · 976 阅读 · 0 评论 -
MAST: A Memory-Augmented Self-Supervised Tracker
Abstract最近对自监督密集跟踪的兴趣已经取得了迅速的进展,但是性能仍然离监督方法还有很远的一段路要走。 我们提出了一种基于无注释视频训练的密集跟踪模型,该模型在现有基准上比以往的自监督方法有很大的提高(+15%),并且取得了与监督方法相当的性能。在本文中,我们首先通过深入的实验重新评估了用于自我监督训练和重建损失的传统选择,最后阐明了最优选择。 其次,我们通过使用一个关键的内存组件来增强我们的体系结构,从而进一步改进了现有的方法。 第三,我们以大规模半监督视频对象分割为基准(又名。 密集跟踪),原创 2020-11-06 14:44:07 · 984 阅读 · 1 评论 -
Fast Template Matching and Update for Video Object Tracking and Segmentation--论文翻译理解
Abstract在本文中,我们要解决的主要任务是多实例半监督视频对象跨帧序列的分割,其中只提供第一帧的gt信息。 基于检测的算法被广泛采用来处理这一任务,挑战在于选择匹配方法来预测结果,以及决定是否使用新预测的结果来更新目标模板。 然而,现有的方法以粗糙和僵硬的方式进行这些选择,从而影响了它们的性能。 为了克服这一局限性,我们提出了一种新的方法,利用强化学习来同时做出这两个决策。具体地,强化学习代理根据预测结果的质量学习决定是否更新目标模板。 匹配方法的选择将同时基于强化学习代理的动作历史来确定。 实验原创 2020-10-28 16:08:06 · 1291 阅读 · 0 评论 -
关于MASK RCNN
https://blog.csdn.net/myGFZ/article/details/79136610https://blog.csdn.net/WZZ18191171661/article/details/79453780原创 2020-10-26 21:37:04 · 107 阅读 · 0 评论 -
VIS--Video Instance Segmentation:MASKtrack-RCNN 论文翻译理解
大佬学习笔记1:https://blog.csdn.net/Rlin_by/article/details/104474345?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160370104919725222439676%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=16037010491972522243967原创 2020-10-26 21:34:49 · 2773 阅读 · 0 评论 -
Classifying, Segmenting, and Tracking Object Instances in Video with Mask Propagation
利用掩码传播对视频中的对象实例进行分类、分割和跟踪 MASK一项与 MaskTrack R-CNN[42] 类似的工作Abstrac1t我们介绍了一种同时对视频序列中的对象实例进行分类cls、分割segm和跟踪track的方法。 我们的方法,命名为MaskProp,通过添加一个掩码mask传播分支, 将每个视频帧中的帧级对象实例掩码传播到视频剪辑中的所有其他帧,从而使流行的Mask R-CNN适用于视频。!:在Mask-RCNN的基础上加一个在一段video clip中可以propagate in原创 2020-10-26 19:34:49 · 1209 阅读 · 0 评论 -
D3S A Discriminative Single Shot Segmentation Trac,tracking by segm最后的希望,不同于tracking by siamese
Abstract 摘要基于模板Z的判别跟踪器由于其鲁棒性而成为当前的主流跟踪范例,但仅限于包围盒跟踪BBOX和有限范围的变换模型,这降低了它们的定位精度。 提出了一种可区分的单镜头分割跟踪器D3S,缩小了视觉对象跟踪和视频对象分割之间的差距。 一个单阶段网络应用两个具有互补几何属性的目标模型,一个对包括非刚性变形在内的大范围变换不变,另一个假设刚性对象,以同时实现高鲁棒性和在线目标分割。 在没有按数据集微调和仅针对分段进行培训作为主要输出的情况下,D3S在VOT2016、VOT2018和GOT-10k基准原创 2020-10-19 09:23:26 · 815 阅读 · 0 评论 -
ECO,深度学习和相关滤波的结合,精读,这个发现了不太行,终止
大佬笔记:https://blog.csdn.net/qq_34919792/article/details/89893433摘要近年来,基于区分相关滤波器(DCF)的方法已大大提高了跟踪的最新水平。 然而,在追求不断提高的跟踪性能时,它们的特征速度和实时能力已逐渐消失。 此外,具有大量可训练参数的日益复杂的模型引入了严重过度拟合的风险。 在这项工作中,我们解决了计算复杂性和过拟合问题背后的关键原因,目的是同时提高速度和性能。我们重新审视DCF的核心公式,并引入:(i)一个分解卷积算子, 它大大原创 2020-10-13 18:44:00 · 1341 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 · 897 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 · 788 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 · 1484 阅读 · 1 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 · 7800 阅读 · 5 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 · 991 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 · 270 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 · 436 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 · 1053 阅读 · 0 评论 -
基于MeanShift的目标跟踪算法及实现
https://blog.csdn.net/jinshengtao/article/details/30258833https://blog.csdn.net/baidu_38172402/article/details/82226903原创 2019-08-29 21:13:57 · 577 阅读 · 0 评论 -
G++ NOT fOUND
https://blog.csdn.net/wangweiqiang1325/article/details/53443024原创 2019-08-16 10:32:12 · 1286 阅读 · 0 评论 -
NMS, Iou ,anchor boxes
https://www.cnblogs.com/zyly/p/9245451.html原创 2019-08-14 16:08:13 · 171 阅读 · 0 评论 -
RPN
转:https://arleyzhang.github.io/articles/7e6bc4a/https://blog.csdn.net/wfei101/article/details/78821629原创 2019-08-13 20:01:19 · 134 阅读 · 0 评论 -
多目标跟踪文献整理
http://bbs.cvmart.net/articles/265/duo-mu-biao-zhui-zong-zi-yuan-lie-biao-shu-ju-ji-lun-wen-dai-ma-he-niu-ren-zhu-ye-deng原创 2019-08-07 22:17:05 · 428 阅读 · 0 评论 -
MOTAchallenge development kit 相关内容
相关笔记:https://blog.csdn.net/bohuihuan8714/article/details/79528651https://blog.csdn.net/sinat_34715587/article/details/90340160https://blog.csdn.net/ycc2011/article/details/84786924发开工具包下载:https:/...原创 2019-07-16 15:12:11 · 219 阅读 · 0 评论 -
deep sort master 代码理解 硬啃!生干
2019年7月15日下午:代码理解deep_sort_app.py:我要是没猜错这是主函数!def gather_sequence_info(sequence_dir, detection_file):收集序列信息,如图像文件名,检测,基本事实(如果可用)。返回参数:sequence_dir: str到MOT Challenge序列目录的路径。detection_file:...原创 2019-07-15 16:00:06 · 2951 阅读 · 1 评论 -
走进MOT系列 (七) --《Deep Cosine Metric Learning for Person Re-Identification》翻译
参考文献:https://blog.csdn.net/TYUT_xiaoming/article/details/99773097原创 2019-09-02 21:17:22 · 851 阅读 · 0 评论 -
走进Deep Sort系列(三)--《DeepSORT-Simple Online and Realtime Tracking with a Deep Association Metric》翻译及理解
继续上一部分内容,完成了对《Multiple Object Tracking A Literature Review》综述的大概翻译,初步了解了多目标跟踪大概是干什么的,现在我们进行对deep sort这样一个知识的文献翻译,作为具体到某一种算法的入门,目标:了解 Sort 和deepsort 的内容,知道它的框架,流程。文献名称:《DeepSORT-Simple Online and Real...原创 2019-07-14 20:47:35 · 3905 阅读 · 0 评论 -
(Deep_sort)代码复现及理解笔记➕deep_sort_app.py代码理解
参考链接:https://www.cnblogs.com/wemo/p/10600454.htmlgGithub开源代码链接:https://github.com/nwojke/deep_sort.git1 准备工作下载deep sort代码文件下载MOT16数据集下载权重文件2 导入库文件进入pycharm ,open这个deep_sort-master文件夹再把下载好的MO...原创 2019-07-14 17:15:48 · 9666 阅读 · 21 评论