DRT： Detection Refinement for Multiple Object Tracking 论文阅读

最新推荐文章于 2024-09-17 14:59:25 发布
最新推荐文章于 2024-09-17 14:59:25 发布
阅读量182 收藏
点赞数
文章标签： 论文阅读 深度学习 计算机视觉
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/weixin_45429415/article/details/129748230
版权

基于LSTM构建运动模型的一篇文章

创新点：1.基于半监督热图训练主干网络

2.使用"one patch, multiple predictions"机制细化检测结果

3.使用LSTM构建运动模型（预测模型）

pipline：

具体LSTM的构建方法

LSTM输入向量为

网络通过一个线性层输入8D状态向量，然后是一个LSTM单元，最后是两个线性输出层，预测下一帧的位置和边界框大小

训练的trick：作者认为，完全使用带标签数据进行训练不利于长时序列建模，作者采取了一种动态调整的方式，设置一个参数p，p ( i )表示从第i个epoch的真值数据中采样输入的概率，1-p(i)表示从第i-1个epoch的预测数据中采样输入的概率。

将p初始化为一个较大的概率，通过公式来衰减

唢圣小六
关注
多目标跟踪竞赛结果摘要：Multiple Object Tracking Challenge 2017 Results
哈哈哈哈嘿嘿嘿
11-30 8267
MOT17 第一名：A Novel Multi-Detector Fusion Framework for Multi-Object Tracking 第二名：A multi-cut formulation for joint segmentation and tracking of multiple objects 速度最快： High-Speed Tracking-by-Detection Without Using Image Information
SegFormer论文记录（详细翻译）
qq_39333636的博客
04-22 1万+
SegFormer论文详解，2021CVPR收录，将Transformer与语义分割相结合的作品，动机来源于SETR中使用VIT作为backbone提取特征较为单一，传统CNN的Decoder来恢复特征。主要提出多层次的Transformer-Encoder和MLP-Decoder，性能达到SOTA。记录阅读文章情况，如有误，欢迎指出。...
2022CVPR目标跟踪最新论文
qq_39821101的博客
05-03 5287
多目标跟踪领域最新论文概况 多目标跟踪多目标跟踪领域最新论文概况一、2022年多目标跟踪论文CVPR2022:1、Global Tracking Transformers2、Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking3、Unified Transformer Tracker for Object Tracking4、TR-MOT: Multi-Object Tracking by Reference5、
【MOT】《Multiple Object Tracking in Recent Times: A Literature Review》
bryant_meng
07-10 1028
原文参考文章。
多目标追踪-2019综述《Deep Learning in Video Multi-Object Tracking: A Survey》
qq_41614538的博客
12-02 6422
Deep Learning in Video Multi-Object Tracking: A Survey 近期开始研究多目标追踪，因此先找了一篇比较新的2019年综述性论文入门。 本论文将MOT通用算法归纳为4个步骤，并分别介绍了Deep Learning在各步骤中的应用，给出了典型论文以供读者进一步阅读学习。 文章目录1 Introduction2 MOT: algorithms, me...
点云 3D 目标检测 - CenterPoint：Center-based 3D Object Detection and Tracking（CVPR 2021）
77wpa的博客
03-08 6194
三维目标通常表示为点云中的三维长方体。这种表示模拟了经过充分研究的基于图像的2D边界框检测，但存在额外的挑战。三维世界中的目标不遵循任何特定的方向，基于框的检测器很难枚举所有方向或将轴对齐的边界框拟合到旋转的目标。在本文中，我们建议将3D目标表示、检测和跟踪为点。我们的框架CenterPoint首先使用关键点检测器检测目标的中心，然后回归到其他属性，包括3D大小、3D方向和速度。在第二阶段，它使用目标上的其他点特征来细化这些估计。在CenterPoint中，3D目标跟踪简化为贪婪的最近点匹配。
多目标跟踪MOT论文阅读记录2（持续更新中...）
weixin_44283270的博客
08-15 1148
一共三层：D(high)+T(high)，D(high)+T(high+low)，D(high+low)+T(high+low)；TBM的方法适合固定相机场景，因此TBM+TBD的也比较适合相机运动不大的场景。：基于跟踪基数和运动上下文相似性（IOU），相似性低，则生成TBD伪标签，相似性高则TBM伪标签。和当前帧的不相似性及注意力机制，决策出当前帧是使用TBM还是TBD；TBM速度快，TBD精度高，为了平衡精度，交替使用TBM和TBD。，以更新kalman，也就是令更新公式里的。
Object Detection
东南风的博客
05-07 916
Object Detection------------------------------------update: 2018.5.07 Mon-------------------------------------PapersR-CNNFast R-CNNFaster R-CNNLight-Head R-CNNCascade R-CNNMultiBoxSPP-NetMR-CNNYOLOYOL...
Object Detection in 20 Years: A Survey 20年间的目标检测：综述
学习日常分享
05-16 5926
摘要 物体检测作为计算机视觉中最基本和最具挑战性的问题之一，近年来受到了极大的关注。它在过去二十年中的发展可以看作是计算机视觉历史的缩影。如果我们把今天的物体探测看成是深度学习力量下的技术美学，那么把时钟拨回到20年前，我们就见证了冷武器时代的智慧。本文根据其技术演变（从1990年代到2019年）广泛回顾了400多篇关于物体检测的论文。本文涵盖了许多主题，包括历史上的里程碑探测器，检测数据集，指标，检测系统的基本构建块，加速技术以及最近的最先进的检测方法。本文还综述了行人检测、人脸检测、文本检测等一些重要的
笔记：PoseCNN:A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes
kadima_WEI的博客
12-23 879
一种新的用于6D物体姿态估计的卷积神经网络PoseCNN
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8348
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
论文阅读：3D Gaussian Splatting for Real-Time Radiance Field Rendering
qq_53589322的博客
09-11 1259
本工作首先基于SFM的点云设计了能快速精确表达场景的3D高斯函数，并以此开发了可由CUDA加速的渲染算法，实现了辐射场的实时渲染。本论文的核心在于3D高斯函数的场景表达方式以及快速渲染的方法。该方法整体如下图所示：首先从SFM得到的稀疏点云构建三维高斯函数，在训练过程中通过可微的快速渲染器对3D高斯函数的属性进行优化，并交替进行自适应密度控制。提出一个实时且能够高质量渲染场景的方法，通过结合离散和连续表示方法的优势，不仅克服了传统方法在噪声和渲染质量方面的限制，而且极大地提高了渲染速度。
【论文笔记】AutoLFADS (Nature Methods, 2022)
Jurio的博客
09-11 1477
通过深度神经群体动力学模型实现最先进的性能需要对每个数据集进行广泛的超参数调整。 **AutoLFADS 是一个模型调整框架，可以根据来自各种大脑区域和任务的数据自动生成高性能的自动编码模型，而无需行为或任务信息**。作者在几个恒河猴数据集上证明了其广泛的适用性。
GPT-4论文阅读
weixin_52185313的博客
09-11 1395
本篇虽然是GPT-4的技术报告，但其中没有提到GPT-4的具体模型架构与训练过程，主要就是讲他的结果。GPT-4是一个多模态的模型，能够接受文本或者是图片的输入，最后输出纯文本GPT-4基本能够达到类人的表现，在事实性、可控性和安全性上有了很大的进步GPT-4在真实世界中与人还是存在差距，但是在很多具有专业性或者学术性的数据集或者任务上面上，GPT-4有时候能够达到甚至超过人类的水平。
clip论文阅读（Learning Transferable Visual Models From Natural Language Supervision）
weixin_47696370的博客
09-14 666
clip
论文笔记：交替单模态适应的多模态表征学习
最新发布
zly_Always_be的博客
09-17 771
整理了CVPR2024 Multimodal Representation Learning by Alternating Unimodal Adaptatio的阅读笔记
free: feature refinement for generalized zero-shot learning
06-06
Free是一种通用零样本学习的特征细化方法。零样本学习是指从未在训练中出现过的目标类别的识别。通常，这需要通过使用已知类别的预训练模型来构建一个基准模型，并通过训练它的特征对未知类别进行推广。 Free旨在细化用于输入数据的特征。它采用了一种基于插值的方法来生成与训练数据类别分布相似的分布，从而使得用于推理的特征更具代表性。这种方法还使用了反向传播，以指导生成输入特征的过程，以更好地反映已知类别的特征。与现有的零样本学习方法相比，Free在ImageNet、AwA2和CUB上的实验结果显示了更高的性能。 总的来说，Free是一种有效的特征细化方法，可用于通用的零样本学习任务中。它适用于各种类型的数据集，并具有较高的准确性和易用性，使其成为实现零样本学习的重要工具。
评论 1
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