aaon22357的博客

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。 本文的改进： SiamFC+ RPN Network，输出两个分支，分别用于分类和回归（SiamFC没有回归，而是用多尺度测试，增加了计算量且不够精确），帧率160fps（不需要在线微调），端到端，单目标跟踪 SiamRPN网络结构： 【训练阶...

【论文名称】： Distractor-aware Siamese Networks for Visual Object Tracking(Zheng Zhu, Qiang Wang, Bo Li, Wei Wu.) 【概述】： 本文是SiamRPN文章的follow-up，重点强调了训练过程中样本不均衡的问题，增加了正样本的种类和有语义的负样本。实时性好（160 FPS on short-term...

文章目录概述和SiamFC做对比网络结构分割分支的设计网络backbone部分结构参数 概述 multi-task learning, 同时实现VOT和VOS。 只需要单一的bounding box来做初始化，就可以在跟踪过程中实时的输出分割掩码。速度35fps。 不需要在线微调。 在SiamRPN++的基础上（SiamMask使用的是ResNet50作为backbone，这个与SiamRPN...

概述 本文是CVPR2019的一篇Oral文章，关注点主要在于跟踪网络的backbone不能加深的问题，与SiamRPN++想法如出一辙。 作者在实验中发现，这几个参数对跟踪结果的影响，非常巨大： the receptive field size of neurons; network stride; feature padding 。 知乎上看到的一个链接 https://zhuanlan....

Benchmarks: CVPR 2014, Object Tracking Benchmark(OTB-2013) PAMI 2014, ALOV 300 TIP 2015, Temple Color 128(TC-128) PAMI 2015, Object Tracking Benchmark(OTB-2015) PAMI 2016, NUS-PRO ECCV 2016, UVA123 ...

论文题目 mixup: Beyond Empirical Risk Minimization 2017（ICLR2018），Hongyi Zhang et al. Mixup ，MIT和FAIR 一作的知乎回答 https://www.zhihu.com/question/67472285 论文笔记 https://blog.youkuaiyun.com/u013841196/article/details/...

文章目录Motivation分析深层网络跟踪效果差的原因 作者专栏 https://zhuanlan.zhihu.com/p/56254712 参考 https://blog.youkuaiyun.com/WZZ18191171661/article/details/88579348 Motivation 该论文主要解决的问题是将深层网络ResNet、Inception等网络应用到基于孪生网络的跟踪网络中。在...