siamfc++自己学习笔记

最新推荐文章于 2023-07-02 16:13:40 发布
原创 最新推荐文章于 2023-07-02 16:13:40 发布 · 1.7k 阅读 · 5 ·
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：

#目标跟踪 #开发语言

SiamFC++是全卷积暹罗跟踪器的改进版本，通过引入分类和状态估计分支、无歧义分类得分、无先验知识跟踪和估计质量得分，解决了SiamRPN++等方法的局限性。文章提出了四个目标跟踪准则，并在五个基准测试上展示了最先进的结果。SiamFC++避免了预定义锚点和依赖先验知识的问题，提高了跟踪的精度和鲁棒性。
  1. SiamFC++:通过目标估计指南实现正确和精确的视觉跟踪
  2. 实验方法：我们通过引入分类和目标状态估计分支(G1)、无歧义分类得分(G2)、无先验知识跟踪(G3)和估计质量得分(G4)来设计我们的全卷积暹罗跟踪器++(暹罗FC++)。
  3. 基准测试(OTB2015、VOT2018、LaSOT、GOT-10k、TrackingNet)
  4. 两者对比：SiamRPN++由于锚对象不匹配而失败，而我们的SiamFC++通过对象之间的直接匹配而成功。
  5. 跟踪问题可以被视为分类任务和估计任务的组合(Danelljan等人，2019年)。第一个任务旨在通过分类提供一个稳健的目标粗略位置。第二个任务是估计一个精确的目标状态，通常用一个边界框来表示。之前的第二个任务的3类方法:第一类，包括判别相关滤波器(DCF) (Henriques等，2014；Bolme等人(2010年)和SiamFC (Bertinetto等人，2016年)采用了不准确的残酷多尺度检验(Danelljan等人，2019年)和低效率检验(Li等人，2018年a)。此外，先前的假设，即目标比例/比率在相邻帧中以固定速率变化，在现实中通常不成立。对于第二类，ATOM (Danelljan等人，2019)通过渐变ARXiv:1911.06188 v4[cs]迭代细化多个初始边界框。CV]2 2020年4月上升到估计目标包围盒(蒋等2018)，这产生了精度上的显著提高。然而，这种目标估计方法不仅带来了沉重的计算负担，而且还带来了许多需要仔细调整的附加超参数(例如，初始箱的数量、初始箱的分布)。第三类是暹罗追踪器家族(李等2018a朱等2018；李等人(2019)，其通过引入区域建议网络(RPN)来执行精确且有效的目标状态估计(任等人，2015)。然而，预定义的锚点设置不仅引入了严重妨碍鲁棒性的模糊相似性评分(参见第4节)，而且还需要访问数据分布的先验信息，这显然违背了通用对象跟踪的精神。
  6. 该论文提出的高性能通用目标跟踪设计的指导原则：
    G1:分类和状态估计的分解跟踪器应该执行两个子任务:分类和状态估计。
    G2:无歧义评分分类评分应直接表示目标存在的置信度得分，在“视场”内，即对应像素的子窗口内，而
最低0.47元/天 解锁文章
Hulk_liu
关注
SiamFC++笔记
木木JL的博客
05-16 9318
SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines 文章根据这些思路：引入分类和目标状态估计分支（G1），无歧义的分类得分（G2），无先验知识的跟踪（G3）和评估质量得分（G4）来设计SiamFC ++。 SiamRPN ++和SiamFC ++的比较（红色部分代表得分高的区域）： guide： G1 : 分类和状态估计任务的分离：分类任务将目标从干扰物和背景中分类出来，目标状态
SIAMfc++：采用目标估计准则，实现稳健和准确的视觉跟踪
weixin_44287997的博客
10-22 3193
视觉跟踪是对给定目标有效的进行鲁棒性分类和准确的估计目标状态，之前的方法提出了多种目标状态估计方法，但少有方法考虑跟踪问题本身的特殊性，本文提出了一·种用于高性能通用的目标跟踪器设计的实用目标状态估计准则。 通过设计一种就是siamfc++分类分支和目标运动估计分支（G1），无歧义分类得分（G2），没有先验知识的分支（G3），估计质量得分（G4),广泛的分析和大量的研究证实了本文提出的有效性。 1、介绍 一般视觉跟踪的目的就是在视频中顺序的定位运动物体，给定有限的信息，总是提取第一帧的信息，应用于无人机、视
siamfc++源码阅读笔记.pdf
07-31
这是在看siamfc++源码：https://github.com/MegviiDetection/video_analyst的阅读笔记，会根据一些重要的方面记一点笔记，希望大家下载后能结合博客看，谢谢
《SiamFC++：Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines》论文笔记
m_buddy的博客
03-19 1006
参考代码：video_analyst 1. 概述 导读：这篇文章指出之前的一些跟踪算法没有深入讨论针对跟踪任务的实质，很多时候只是在某些点上进行突破，因而最后方法的性能总是有局限性的。对此文章深入分析了跟踪网络的特性，因而对跟踪网络的设计提出了4点建议：G1（目标位置估计和目标判别需要接耦，分别具有各自的分支）/G2（目标判别置信度不能与实际相模糊）/G3（不能依赖数据分布等先验知识，否则导致泛化性鲁棒性不强）/G4（目标位置的估计应该准确）。正是基于上的4点设计指导，文章设计了SiamFC++网络，在5
SiamFC++.pptx
04-05
这是2020年旷视发表在AAAI上的论文，代码已经公布，此ppt是我组会汇报所做，思路清晰，语言简洁
Siamese系列文章
Da_haihuang的博客
01-07 1614
说明 在学习目标追踪方面，慢慢读懂论文，记录论文的笔记，同时贴上一些别人写的非常优秀的帖子。 综述类型笔记 目标跟踪之Siamese网络 单目标跟踪paper小综述 SiamFC SiamRPN 1.SiamRPN阅读笔记：High Performance Visual Tracking with Siamese Region Proposal Network 写的很好，重点看！！！！ 2.【论文笔记】CVPR2018_SiamRPN 3.SiamRPN 论文理解 4.关于RPN的理解一文读懂Faster
基于深度学习的目标跟踪论文阅读笔记（基于SiamFC改进）
ningchewinbell的博客
05-30 3371
End-to-end Flow Correlation Tracking with Spatial-temporal Attention(CVPR2018) 作者认为目前的算法大都只考虑了目标在当前帧的表观特征，对帧间信息利用太少，而tracking本身是基于视频序列做的——这无疑是一种浪费，同时也会降低跟踪器的性能。所以作者提出了一种flow correlation tracker 的思想，用光...
Fully-Convolutional Siamese Networks for Object Tracking（SiamFC 算法学习）
qq_43437453的博客
11-27 1941
SiamFC算法学习笔记
SiamFC++.pdf
03-23
AAAI2020论文SiamFC++
SiamFC++文档.pdf
11-28
SiamFC++文档.pdf
SiamFC文档
08-20
SiamFC无水印PDF和Word翻译，参考https://blog.youkuaiyun.com/qq_36449741/article/details/99696195
SiamFC++学习
qq_43437453的博客
04-03 1205
文章标题：《SiamFC++：Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines》文章地址：https://arxiv.org/abs/1911.06188github地址：https://github.com/MegviiDetection/video_analyst参考链接：https://blog.youkuaiyun.com/Yemiekai/article/details/121982795。
SiamFC
fnoi2014xtx的博客
06-22 539
Paper : Fully-Convolutional Siamese Networks for Object Tracking Code : official 摘要 尽管之前有论文尝试将深度卷积神经网络应用到Object tracking 的任务中，但是由于实时性的要求，以及训练数据集的数据存在稀缺性，效果并不是很好。作者针对实时性的限制，提出使用全卷积神经网络进行特征提取，并使用孪生神经网络进行训练，并在ILSVRC15的数据集上进行训练，在VOT ALOV OTB数据集上进行测试。本文主要的贡献点.
SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines（AAAI2020）
南城以北的博客
07-02 326
得到了响应图之后，接着进行相关的head操作，这里作者提出了两个head，分别用于获取分类分数和位置回归分数，其中作者为了更好的平衡分类得分与目标位置的关系，引入了质量评分，将质量评分与分类得分相乘得到最后的选择预测框的得分。该网络结构十分简单直观，首先用相同的φ（作者源码里提供了AlexNet、GoogleNet等主干网络）来进行特征提取，得到的feature map分别输入到分类分支和回归分支，在两个分支中，模板feature map与搜索feature map进行互相关计算。
SiamFC++注
奔跑的云彩的博客
12-07 2782
SiamFC++： Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines 摘要。视觉跟踪问题要求对给定目标进行高效的鲁棒分类和精确的状态估计。以往的方法提出了多种目标状态估计方法，但很少有方法考虑到视觉跟踪问题本身的特殊性。在仔细分析的基础上，为高性能通用目标跟踪器的设计提供了一套实用的目标状态估计指导原则。遵循这些指导原则，我们通过引入分类和目标状态估计分支(G1)、无模糊性分类评分(G2)、无先验知识跟
AAAI2020跟踪算法SiamFC++的配置（SiamFC++: Towards Robust and Accurate Visual Tracking）
博博有个大大大的Dream
01-21 3298
SiamFC++是SiamFC的升级版，它也使用了SiamRPN提出的classification branch和regession branch，运算速度快，进度高，值得研究。 注：本文在windows 10系统上完成配置，pytorch版本为1.4.0。 1、论文下载地址： SiamFC++:Yinda Xu, Zeyu Wang, Zuoxin Li, Ye Yuan, Gang Yu. "SiamFC++: Towards Robust and Accurate Visual Trackin.
SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines 论文学习
PAN_Andy的博客
03-05 6598
SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines 论文学习论文阅读总结Translation1 Introduction2 Related Work3 Distractor-aware Siamese Networks4 Experiments5 Conclusions 论...
SiamFC++，90 fps的单目标跟踪SOTA
我爱计算机视觉
11-29 2044
点击我爱计算机视觉标星，更快获取CVML新技术本文源自知乎，经作者授权转载。https://zhuanlan.zhihu.com/p/93888180AAAI 2020的审稿刚刚出炉，本...
SiamFC++与SiamBAN
qq_32764073的博客
06-12 4693
一 SiamFC++ 网络结构及处理流程如下： 注意 大多数算法对于分类损失都采用交叉熵损失，而SiamFC++在分类分支中计算cls_score与center-ness score采用了不同的损失函数，cls_score采用focal loss，这样做是为了缓解正负样本不均衡问题；center-ness score则采用交叉熵loss。最终用这两部分对应元素相乘得到的结果得到更加合理的分类结果，center_ness的作用就是对每一个正样本位置施加权重，离中心进的权重高，离中心远的权重低使得分类更加合
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