【Tracking 系列：二】GOTURN｜Learning to Track at 100 FPS with Deep Regression Networks

最新推荐文章于 2022-07-19 23:16:21 发布
原创 最新推荐文章于 2022-07-19 23:16:21 发布 · 268 阅读 · 0 ·
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：

#goturn #sot

部署运行你感兴趣的模型镜像

基于回归的SOT算法
可以跟踪未见过的类别样例
FPS高

Motivation

只关注单一目标，物体运动是连续的，使用相邻帧回归位置

Network

在这里插入图片描述

  • 两个输入分别过5层conv ，然后将feature concat
  • 再过3层4096维的FC（包含 ReLU 和 Dropout）,最后连接到一个输出为4的FC分别对应中心点x、y、w、h

其主要步骤是：

  • 拿到上一帧图像以及我们要跟踪的目标在上一帧中的box position；
  • 按照得到的box在上一帧和当前帧上裁剪出两倍于box大小的patch；
  • 将两个patch输入到conv中，并通过fc来对特征进行综合，以预测当前帧中target box的位置。

注意，网络中的conv是在ImageNet预训练得到的，并且在这里不会再进行更新，只有fc才会被训练。

Dataset

视频+静态图像
静态图像用了个 数据增广的 trick

数据增广

  • 将静态图片中待跟踪的object放在中间并框定区域（相当于作为t-1帧的region）
  • 将整张图做形变当做第t帧来跟踪上一帧中的目标

Experiments

两个跟踪指标：Acurracy和Robustness

在这里插入图片描述
在这里插入图片描述

Thoughts

快速移动目标，增大搜索空间，或许可以
cnn参数 还有调参空间

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型，相比 3.0 版本，它提升了图像质量、运行速度和硬件效率

目标跟踪--GOTURN 100fps
zwlq1314521的专栏
03-23 5339
先附上论文的链接 点击https://arxiv.org/abs/1604.01802打开链接 GOTURN: Generic Object Tracking Using Regression Networks GOTURN这个方法有如下的特点和优势： Offline Training：利用了大量数据离线训练的优势 Generic Object Tracking
目标跟踪之GOTURN：Learning to Track at 100 FPS with Deep Regression Networks
跟随技术的脚步-linolzhang的专栏
05-16 8752
一. 简介        选择这篇文章的原因在于能实现 100帧的效果，对于跟踪来讲，大多数应用场景需要实时跟踪，应该说仅仅实时跟踪还不够，还需要计算资源来做 视频解码、检测、比对 等多个工作。        这篇文章 2016年来自 Stanford 大学的 David Held，通过 CNN直接回归的方式得到目标位置。        论文下载：Learning to Track
GOTURN-(达到100FPS的深度学习跟踪算法代码)
godloveme的专栏
02-20 3439
本代码是基予caffe的linux的, 安装好caffe之后需要编译GOTURN代码,在编译过程中会出现如下错误: fatal error: caffe/proto/caffe.pb.h: No such file or directory #include "caffe/proto/caffe.pb.h" 解决方法： 用protoc从caffe/src/caffe/proto/caf
GOTURN——基于深度学习的物体追踪 （OpenCV contrib）
朱铭德的博客
08-14 1万+
见惯了KCF、DCF、MEDIANFLOW这些常规追踪器，来看看基于神经网络的GOTURN吧。 首先，这个Tracker并不算慢，利用GPU能跑到100fps 论文原文： Learning to Track at 100 FPS with Deep Regression Networks 撇开原理，从工程的角度来看，算法输入前后两帧被裁剪过的图像，送入卷积神经网络（CNN），继而回归出物...
【目标跟踪】Learning to Track at 100 FPS with Deep Regression Networks 学习
书侠
06-02 8177
这篇文章是斯坦福大学2016年4月发的，文中提出了一种通过离线训练带标签的视频来更有效跟踪目标物体的方法。以前的深度学习用来做跟踪的算法都比较慢，这一论文的跟踪器使用了简单的前向传播而无需在线训练，测试时的跟踪帧率达到了100fps.由于在训练网络时既使用了带标签的视频，也使用了大量的图片，可以防止过拟合。跟踪器学习了泛化的运动特征，所以可以去跟踪训练集中没有出现的新物体。传统通用目标跟踪器（相对于特定目标跟踪器）
Learning to Track at 100 FPS with Deep Regression Networks全文翻译
weixin_44294645的博客
07-19 837
Learning to Track at 100 FPS with Deep Regression Networks翻译
GOTURN——Learning to Track at 100 FPS with Deep Regression Networks
热门推荐
autocyz
09-24 1万+
文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》 算法简称：GOTURN（Generic Object Tracking Using Regression Networks） 作者是斯坦福的David Held 文章以及附件：http://davheld.github.io/GOTURN/GOTURN.htm
深度学习Tracking（1）——Learning to Track at 100 FPS with Deep Regression Networks（代码理解）
没有头像的博客
03-01 3686
工程地址：【http://davheld.github.io/GOTURN/GOTURN.html】第一次看深度学习网络实现的工程代码，有很多内容和结构不理解，并且在Linux下跑网络工程代码没有IDE，无法调试，我也不知道在查看函数的时候如何跳转，因此看整个工程文件十分麻烦。因此自己也是边看边查边学。下面开始解析该工程代码，可能存在一些偏差和错误，将会不断学习和修正。一、工程结构工程主目录下有6个
深度学习Tracking（1）——Learning to Track at 100 FPS with Deep Regression Networks
没有头像的博客
02-21 2377
发生了一些很奇葩的事情，因此我可能要开始学习深度学习了。研究生开始这么久了才开始做深度学习，我真的要担心自己的毕业问题了。好的吧，加油吧。虽然不懂，现在开始吧。原文地址：【http://davheld.github.io/GOTURN/GOTURN.pdf】 项目地址：【http://davheld.github.io/GOTURN/GOTURN.html】本文介绍的算法利用深度回归网络，输入为视
GOTURN(Generic Object Tracking Using Regression Networks　ＥＣＣＶ２０１６)
08-18 1923
This tracker is able to track objects at 100 fps. This real-time speed is due to two factors. First, most previous neural network trackers are trained online. However, training neural networks is a s
GOTURN 算法
BBZZ2的专栏
05-12 4458
文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》  算法简称：GOTURN（Generic Object Tracking Using Regression Networks）  作者是斯坦福的David Held  文章以及附件：http://davheld.github.io/GOTURN/GOTURN
C语言实现网络流量实时监测与分析系统源码及部署指南
11-27
本项目为采用C语言构建的网络流量实时解析系统，包含完整的设计实现资料及部署指南。该代码成果在学术评审中获得优异评价，测试验证各项功能运行稳定可靠。系统设计针对网络数据流进行动态监测与解析，适用于计算机网络教学实践及科研开发场景。 项目内容涵盖网络协议解析、数据包捕获机制、流量统计分析与实时监控模块，采用多线程架构确保数据处理效率。适合计算机科学与技术、网络工程、信息安全等相关专业师生用于课程实验、毕业设计参考，也可作为企业原型开发基础。代码结构清晰，注释详尽，具备二次开发拓展能力。 所有组件均通过完整性验证，提供技术文档说明。欢迎技术交流与协作改进。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
51单片机c源码-软件消抖的独立式键盘输入实验
11-27
51单片机c源码-软件消抖的独立式键盘输入实验
51单片机c源码-用定时器T0的中断控制1位LED闪烁
11-27
51单片机c源码-用定时器T0的中断控制1位LED闪烁
51单片机c源码-CPU控制的独立式键盘扫描实验
最新发布
11-27
51单片机c源码-CPU控制的独立式键盘扫描实验
mmexport1764240273968.jpg
11-27
mmexport1764240273968.jpg
清江.zip
11-27
三级水系流域矢量数据，数据格式shp格式，坐标系wgs84，真实可靠可打开，放心使用
永定河册田水库至三家店区.zip
11-27
三级水系流域矢量数据，数据格式shp格式，坐标系wgs84，真实可靠可打开，放心使用
故障诊断pytorch基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）
11-27
【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）内容概要：本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法，利用PyTorch框架实现，采用西储大学（Case Western Reserve University）公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络（CNN）强大的特征提取能力和长短期记忆网络（LSTM）对时序数据的建模优势，实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程，并提供了完整的Python代码实现，属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群：具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师，尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标：① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类；② 掌握轴承振动信号的预处理与特征学习方法；③ 复现并改进基于公开数据集的故障诊断模型，用于学术论文撰写或实际工业场景验证； 阅读建议：建议读者结合提供的代码逐行理解模型实现细节，重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分，鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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