Visual Tracking with Fully Convolutional Networks 笔记

最新推荐文章于 2025-05-25 19:57:00 发布
原创 最新推荐文章于 2025-05-25 19:57:00 发布 · 7.5k 阅读 · 12 ·
CC 4.0 BY-SA版权
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。
文章标签：

#visual tracking #卷积神经网络

简单介绍一下背景，这篇文章是大连理工的卢湖川教授http://202.118.75.4/lu/publications.html

的学生Lijun Wang在港中文与Xiaogang Wang团队合作的ICCV2015的文章。笔者7月份在CUHK听报告的时候有幸提前看到相关的展示，感觉结果很惊人。Prof Xiaogang Wang是深度学习的大牛，卢湖川教授是tracking的大牛，这篇文章可谓是强强联合的产物。

开始说这篇文章。作者首先首先从visual tracking的角度针对CNN网络进行研究，

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（下图b）。而底层的特征更多的是局部特征，可以帮助将目标从背景中分离出来（下图b）。但是无法处理目标外表剧烈变化（下图a）。于是在tracking中作者将两个特征根据干扰的情况，实时切换两种特征。

三个观察以及三个方面的贡献：

作者提到CNN网络在tracking的三个observations是非常重要的，因为这个启发了作者如何将imageNet pretrained CNN应用到visual tracking上去。同时作者cvpr2016的文章仍然是这个思路的延续[1].

下面说一下三个observations:

最低0.47元/天 解锁文章

200万优质内容无限畅学
Visual Tracking with Fully Convolutional Networks
leek1727
03-15 5415
Visual Tracking with Fully Convolutional Networks 本文作者提出了一种新的全卷积神经网络的方法来做视觉跟踪。作者不是简单的将卷积神经网络看做是一个黑盒的特征提取器，而是在线下通过大量的图像数据，深入研究了CNN特征的性能。通过研究得到的一些发现激发了作者设计出文中的跟踪系统。卷积神经网络的不同层上的特征在不同层次上描述着目标的不同的特征
Learning Spatio-Temporal Transformer for Visual Tracking——精读笔记
学海无涯，快乐行舟
12-08 2483
本篇精读笔记，对原文重要部分做了严格翻译，如摘要和总结。对正文部分做了提炼，对重点部分突出标注。对参考文献做了分类。本文内容较长，如果时间有限可以直接跳到感兴趣的小节阅读。
阅读笔记3-FCNT:Visual Tracking with Fully Convolutional Networks
godloveme的专栏
06-20 6065
本文是发表在2015 iccv上的一篇关于用CNN做目标追踪：本文主要贡献有两个 Contribution 1：探索来自不同层的CNN特征表达目标属性中区别和联系 Contribution 2：选取不同CNN层的特征，并将其”稀疏化“（通过tiny convolution neutral network实现），得到更有discrimination的特征用于追踪。 下面分别介绍这两部分工作：
【论文阅读】Fully Convolutional Networks for Semantic Segmentation
最新发布
qq_34222839的博客
05-25 665
FCN，shift-and-stitch，backwards convolution（deconvolution）
【DeepLearning】简述Visual Tracking with Fully Convolutional Networks
zsWang9的博客
12-01 799
基于全卷积网络的视频跟踪概述Visual Tracking with Fully Convolutional Networks 背景 研究意义 整体结构 算法实现 实验结果 一、背景： 1.现有的跟踪方法多数采用生成或区分模型，并将不同类别的但同时发生的对象分开。 2.它们依赖于低级别的手工特征，这些特征不能捕捉到目标的语义信息，对外观显著变化的物体效果不好，只有有限的区分能力。
跟踪“Visual Tracking with Fully Convolutional Networks”
cv_family_z的博客
02-26 5394
源代码：http://scott89.github.io/FCNT/ICCV15的跟踪文章，matlab版本，在TIAN GPU上3fps。方法：不同卷积层的特征描述物体的角度不同，高层的特征捕获的是语义信息，更像是一个类别检测器，低层的特征能把目标与相似的物体分开。另外，作者进行了特征图选择，将噪声及不相干的特组图去除。VGG16特征分析： 作者选取的是conv4-3和conv5-3，每层的特征
Visual Tracking with Fully Convolutional Networks演示文档（PPT）
12-01
基于全卷积网络的视频跟踪概述Visual Tracking with Fully Convolutional Networks演示文档（PPT）
【Visual Object Tracking】Learning notes
bryant_meng
01-23 1838
跟踪的定义：在第一帧中给定目标框，在后续帧中不断对目标定位，实际上是一个 one-shot learning 过程。目标视觉跟踪(Visual Object Tracking)，大家比较公认分为两大类：生成(generative)模型方法和判别(discriminative)模型方法在此间基础上还有协同跟踪方法：将生成式跟踪方法与判别式跟踪方法相结合目前比较流行的是判别类方法，也叫检测跟踪(tracking-by-detection)
(DaSiamRPN)Distractor-aware Siamese Networks for Visual Object Tracking 阅读笔记
polaris_c的博客
10-31 2041
2018年的VOT竞赛结果已出，基于深度特征(Deep Feature)的相关滤波依旧强势，但值得注意的是，基于孪生网络(Siamese Network)的方法异军突起，在主赛上有不俗表现的同时，在实时赛与长时跟踪赛上取得了几乎垄断的绝对优势。 先解释一下SiamRPN与DaSiamRPN SiamRPN(High Performance Visual Tracking with Siames...
Learning Dynamic Siamese Network for Visual Object Tracking 阅读笔记
aiqiu_gogogo的博客
03-03 4587
前言 预读文章：Fully-Convolutional Siamese Networks for Object Tracking (SiameseTracker)。 在深度学习做目标跟踪效果好的算法中，这篇文章算是有点难度的了~~~啃了一上午算是啃明白了点~ 本博客将采用一边半翻译一边详细解说并抒发自己看法的方式介绍这篇文章。 摘要 1，第一句话就指出本文算法的特点：学习目标的外观变化，...
信息与通信工程学科前沿技术Ⅱ结课论文—目标跟踪算法研究综述.doc
09-01
目标跟踪算法研究难点与挑战：实际复杂的应用环境 、背景相似干扰、光照条件的变化、遮挡等外界因素以及目标姿态变化，外观变形，尺度变化、平面外旋转、平面内旋转、出视野、快速运动和运动模糊等。而且当目标跟踪算法投入实际应用时，不可避免的一个问题——实时性问题也是非常的重要。正是有了这些问题，才使得算法研究充满着难点和挑战。
目标跟踪算法综述_卢湖川
04-05
目标跟踪算法综述_卢湖川
论文笔记之：Visual Tracking with Fully Convolutional Networks
a1424262219的博客
07-04 246
论文笔记之：Visual Tracking with Fully Convolutional Networks ICCV 2015 CUHK 　　本文利用 FCN 来做跟踪问题，但开篇就提到并非将其看做是一个 黑匣子，只是用来提取特征，而是在大量的图像和 ImageNet 分类任务上关于 CNN 的 feature 做了大量的深度的研究。这些发现促使他们设计了该跟踪系统，他们发现：...
Visual Tracking with Fully Convolutional Networks论文介绍
SCS199411的博客
07-02 398
Visual Tracking with Fully Convolutional Networks 方法 不同卷积层的特征描述物体的角度不同，高层的特征捕获的是语义信息，更像是一个类别检测器，低层的特征能把目标与相似的物体分开。另外，作者进行了特征图选择，将噪声及不相干的特组图去除。 VGG16特征分析 特征图是稀疏的且是局部的，可以用来做目标跟踪。 许多特征图与目标不相干，或者说是噪声。 不...
论文笔记 Visual Tracking with Fully Convolutional Networks
xiaoxiang_AQ 的博客
09-04 2807
看了这波作者的第二篇文章，不知不觉还是想看看他们的第一篇，ICCV2015的文章。
visual tracking 经典文献翻译（1）- Fully-Convolutional Siamese Networks for Object Tracking
u012524513的博客
05-14 593
基于全卷积孪生网络的视觉追踪 摘要： 传统上，通过仅在线学习对象外观模型来解决任意对象跟踪问题，使用视频本身作为唯一的训练数据。尽管这些方法取得了成功，但仅在线方法固有地限制了他们可以学习的模型的丰富性。最近，进行了几次尝试去开发深度卷积网络的表达能力。然而，当事先不知道要跟踪的对象，则必须在线执行随机梯度下降以适应网络的权重，从而严重影响系统的速度。在本文中，我们用一个全新的全卷积孪生网络配...
阅读笔记2：robust visual tracking via convolutional networks without training
godloveme的专栏
05-24 3160
本文是kuaihua zhang研究团队发表在2016TIP上的一篇文章，提出了一种不需要pre-training的卷积神经网络模型跟踪框架（CNT），与传统的基于深度学习的方法相比，本算法不需要大量的数据预训练模型，其次是该神经网络只有两层卷积，结构较为简单，效率高达到5fps（vs DLT 1.5s/f）。通过两层的神经网络在线学习目标鲁棒表达。 框架流程如下： step1：第一帧图像标定
论文笔记 STCT: Sequentially Training Convolutional Networks for Visual Tracking
xiaoxiang_AQ 的博客
09-01 3812
对于deep CNN网络的应用，在训练数据的数目有限时，往往在大数据集上预训练再在目标任务中微调的方法进行解决。但是在在线视觉跟踪问题（online visual tracking）中，有ground truth 标签的训练数据仅仅在第一帧中，通过在后续序列视频中更新tracker得到跟踪结果，因此，数据太少，用一个预训练模型进行微调的方法太容易产生过拟合。本文因而提出sequential tra
siamrpn++: evolution of siamese visual tracking with very deep networks
03-16
siamrpn++是一种基于非常深的网络的孪生视觉跟踪算法，它是孪生网络跟踪算法的进化版本。该算法采用了一种新的跟踪框架，结合了区域提议网络（RPN）和深度残差网络（ResNet），能够在复杂的场景下实现高效准确的目标跟踪。该算法在多个公共数据集上进行了测试，取得了优秀的跟踪性能，成为当前最先进的孪生网络跟踪算法之一。
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