stmtrack的一点想法

最新推荐文章于 2024-01-12 14:12:15 发布
最新推荐文章于 2024-01-12 14:12:15 发布
阅读量384 收藏 1
点赞数
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_45670020/article/details/120341267
版权

idea
引入历史帧共同对search响应，变成了多template一search，

相应地有模板更新的策略，就是论文里那个选历史帧的公式，我比较认可他 始终取第一帧，以及上一帧这个想法，因为上一帧一定是离当前帧很近的，这种相邻帧之间的响应应当非常大，而第一帧则始终保持为我们提供绝对正确可靠的信息

引入了centerness中心度的概念，来源于目标检测fcos，
这样去筛选rpn提出来的anchor会更高质量，即centerness会抑制那种离物体中心比较远的锚点，也就是帮助那些与物体中心非常接近锚点，这些锚点最终产生的框肯定也更好

还有一点就是每一张历史帧的掩膜图也参与了训练卷积的过程

WAWA战士
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
STMTrack: Template-free Visual Tracking with Space-time Memory Networks（STMTrack: 基于时空记忆网络的无模板视觉跟踪）
MJ17709005513的博客
08-30 1465
广泛的实验和比较许多有竞争力的跟踪器在挑战大规模基准，OTB-2015，TrackingNet，GOT-10k，LaSOT，UAV123，和 VOT2018，表明，没有花哨，我们的跟踪器优于所有先进的实时方法，同时运行在37 FPS。我们的时空记忆网络是灵活的，因此在推理过程中使用的记忆帧的数量(即记忆大小)与训练过程中的记忆帧的数量无关(见第4.3节，不同数量的记忆帧在两个阶段对性能的影响)。具体地说，来自第一帧的目标提供最可靠的信息，而来自前一帧的被跟踪目标具有与当前帧中的目标最相似的外观。...
Siamese目标跟踪：STMTrack: Template-free Visual Tracking with Space-time Memory Networks(CVPR2021)
du的博客
05-10 4770
论文 STMTrack: Template-free Visual Tracking with Space-time Memory Networks 参考文章 STMTrack 1.Motivation 离线训练的Siam跟踪器已经充分挖掘了第一帧模板信息，但是不能很好地适应目标外观变化。 现有的模板更新机制大多依赖耗时的数值优化或复杂的手工设计策略，但是不能实时跟踪和实际应用。 本文方法速度达到37FPS。 2.Contribution 本文提出了一种基于时空记忆网络的跟踪框架，该框架能够充分利用与目.
STMTrack: Template-free Visual Tracking with Space-time Memory Networks
weixin_44419695的博客
04-14 1263
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
CVPR2021跟踪算法STMTrack的配置（Template-free Visual Tracking with Space-time Memory Networks）
博博有个大大大的Dream
06-04 1678
1、论文下载地址 STMTrack: Template-free Visual Tracking with Space-time Memory Networks CVPR (2021). [paper][code] 2、代码下载地址
STMTrack: Template-free Visual Tracking with Space-time Memory Networks学习笔记
qq_41439608的博客
06-24 726
STMTrack学习笔记 1.拟解决问题 当下非常流行的Siamese网络模型，固定第一帧为目标模板，针对模板来作匹配，然而这使得模型应对目标外观变化的能力很差，随后人们提出了使用模板更新策略使得模型能够更好的适应目标外观的变化，然而它需要更多的计算资源，从而使得跟踪器达不到实时跟踪。 2.贡献 a.提出了一种新的端到端的基于记忆的跟踪框架，它不仅像离线训练的Siamese网络那样简单高效，而且对复杂的模板更新策略具有很强的适应性。 b.提出的跟踪框架不在遵循原有的基于模板的跟踪演变路径，为今后开发更多的基
把STMTrack跑起来（STMTrack: Template-free Visual Tracking with Space-time Memory Networks-CVPR2021）
General_Ma的博客
01-12 1195
论文连接： 项目连接：
STMTrack Template-free Visual Tracking with Space-time Memory Networks(STMTrack)学习笔记
qq_43437453的博客
06-05 299
离线训练的连体跟踪器的提升性能现在变得更加困难，因为从第一帧裁剪的模板的固定信息几乎是彻底挖掘的，但它们无法抵抗目标外观变化。现有的带有模板更新机制的跟踪器依赖于耗时的数值优化和复杂的手工设计的策略来实现具有竞争力的性能，阻碍了它们的实时跟踪和实际应用。因此在本文中，提出了一种新的跟踪框架，该框架建立在时空记忆网络之上，该框架能够充分利用与目标相关的历史信息，以更好地适应跟踪过程中的外观变化，而且在运行时也具有更强的鲁棒性和更准确的目标边界框。
tracker系列（一）
weixin_34032621的博客
12-18 334
2019独角兽企业重金招聘Python工程师标准>>> ...
CVPR2021：单目标跟踪
du的博客
06-23 6499
只做一个记录，暂时不全面，持续更新→CVPR2021接收论文 1.Learning to Filter: Siamese Relation Network for Robust Tracking 论文：CVPR 、arxiv 代码：siamrn 摘要： Despite the great success of Siamese-based trackers,their performance under complicated scenarios is still not satisfying, especi
【目标跟踪】|OSTrack
qq_35608277的博客
07-10 7061
ECCV 2022 paper Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework之前的跟踪框架都是将特征提取和特征融合分为两步来做的，先分别提取Template和Search的特征，然后在两者之间进行相关，得到的特征用于计算最终的跟踪结果（Two Stream, Two Stage）。这样做存在以下两个缺点：1.特征提取阶段template和search间没有交互，提取到的特征是目标无关的，判别
《STM：Video Object Segmentation using Space-Time Memory Networks》论文笔记
m_buddy的博客
07-19 2857
参考代码：STM 1. 概述 导读：在视频分割任务中网络从视频帧中获取到的目标信息会随着分割的进行逐渐丰富起来，现有的一些分割方法确实或多或少地采用了之前帧的分割结果，但是并没有将当前帧之前的所有帧得到的信息进行融合，帮助当前帧进行分割，因而这篇文章就是从这角度出发，构建一个大的memory池子从而提出了一种半监督的视频分割方法STM（Spatial-Time Memory Network ），将当前帧的信息与之前帧的所有信息在空间与时序维度上进行特征匹配，从而得到超过之前方法的性能表现，由于采用了之前帧
深度学习tracking学习笔记(1):Visual Tracking with Fully Convolutional Networks
Focusing on your own Mind :) －> 站在巨人的肩膀上
06-23 6231
reference：http://blog.csdn.net/carrierlxksuper/article/details/48918297 两个属性 1）不同层上的CNN特征可以针对不同的tracking问题。越top层的特征越抽象，并且具有语义信息。这些特征的优势在于区分不同类别，同时对于形变和遮挡robust(下图a)。但是他们的缺点是无法区别类内的物体，比如不同人（下
论文笔记STM：Video Object Segmentation using Space-Time Memory Networks
jackzhang11的博客
09-10 5419
STM首次将Memory Network引入VOS领域，引申为一个space-tine的memory network，并实现了较好的分割准确率以及较快的速度。DAVIS2020大赛很多优秀的模型都是根据STM进行改造的，可见其具有很棒的指导意义和研究价值。在STM出现之间，VOS的方法基本包括以下三种： （1）Propagation-based methods：基于mask传播的方法，该方法主要利用前一帧的mask进行不断的传播，其好处是可以解决appearance变化较大的问题，且速度较快，但不适用于oc
目标跟踪-按专题分类文章
weixin_42994470的博客
04-03 4079
目标跟踪-按专题分类文章
随记（9）：CVPR2021关于Tracking的论文速读(3)-终
qq_37662375的博客
12-31 2141
赶在放假前读完了 Rotation Equivariant Siamese Networks for Tracking 1.认为CNN本质是平移等变的，并不是为了处理旋转问题而设计的。所以本文致力于解决视觉目标跟踪中的“旋转”问题。 2.提出旋转等变暹罗网络(细节是包含可控滤波器的组等变卷积层) 3.根据overview展示，是将不同旋转角度的样本分别输入分支的卷积网络，生成的特征图在后阶段融合并进行Group Max Pooling的过程 Seeing Behind Objec...
CVPR2021目标跟踪汇总(一)
weixin_48089237的博客
08-05 6840
CVPR2021目标跟踪 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式
NET语言程序设计课件-第2章 Visual C#.NET语法基础.ppt
最新发布
08-08
Visual C# .NET是一门面向对象的程序设计语言，是当前流行的.NET系列的语言。 本课程以Visual Studio为程序设计环境，对C#进行了全面阐述。 本电子课件适用于课程讲解或者课程分析参考使用。
[毕业设计]PHP图书借阅与归还管理系统(源代码+论文).zip
08-08
[毕业设计]PHP图书借阅与归还管理系统(源代码+论文)
评论
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