qq_33977080的博客

阅读论文SiamMOT网络我现在的问题：问题描述： 给定一个目标进行跟踪，注意观察到人物的遮挡、进入人群中或者视角变化等因素下SiamMOT专注于改进局部跟踪，在轨迹不可见的情况下也能向前跟踪，即跟踪器知道连续τ\tauτ帧未能跟踪到相应的目标是才终止轨迹。在线跟踪器在实时场景中专注于改进连续帧上的局部连接，而不是构建一个离线图来识别跨大时间间隔的实例。文章主要工作：提出SiamMOT模型，使用基于区域的特征开发（显式）模板匹配来估计实例运动能够对跟踪场景（快速运动）更加鲁棒。在Faster

首先 在命令行中输入anaconda-navigator新建anaconda环境选择python版本 然后点击确定在pycharm中选择对应项目，进行环境配置file -> settings -> project: -> python Interpreter然后选择我们创建好的python环境在pycharm终端下cd /home/username/下载pip install torch-1.8.0+cu111-cp36-cp36m-linux_x86_64.w.

MOTR: End-to-End Multiple-Object Tracking with Transformer论文地址：arXiv论文源码：code1. 概述现有方法的缺点：缺乏从数据中学习时间变化的能力。采用简单的启发式方法（空间或外观相似性），这些方法简单不足以模拟复杂的变化，例如通过遮挡进行跟踪。本文介绍的MOTR是一个完全端到端的多目标跟踪框架，学习模拟物体的长时间变化，隐式的执行时间关联，避免以前的显示启发式。在Transformer，DETR，MOTR的基础上引入轨迹查询的概念。

Repulsion Loss: Detecting Pedestrians in a Crowd排斥损失：检测人群中的行人论文链接：arXiv1. 论文思路本文通过为拥挤场景设计普通边界框回归损失，即排斥损失。这种损失分为两部分：目标的吸引和周围其他物体的排斥。排斥损失可以防止proposals转移到周围的对象从而有更强的鲁棒性。解决的问题：当目标行人T被另一个行人B重叠时，因为检测器混淆导致以T为界限的预测框很可能会转移到B，从而导致定位不准确。更进一步，NMS使得从T偏移的边界框可能被B的预测

Occlusion-aware R-CNN：Detecting Pedestrians in a Crowd遮挡感知R-CNN：在人群中检测行人1. Overview文章提出了新的遮挡感知算法来提高人群中的检测精度，具体而言设计一个新的aggregation loss去靠近并紧凑的定位到相对应对象。同时，使用一个新的汇集单元来代替RoI汇集层，以便将具有可见性预测的人体先验结构信息集成到网络中来处理遮挡。此文章使用的数据集(CityPersons, ETH, INRIA)AggLoss==不仅

阅读论文的步骤：查阅文献->阅读文献->文献复现->找文献的不足进行改进->研究出成果1. 论文思路通过将目标跟踪任务分解为像素级别的分类和在像素处对象边界框回归的两个子问题，提出一种新的全卷积孪生神经网络，以每个像素方式端到端的解决视觉跟踪问题。SiamCAR由两个简单的子网构成：一个用于特征提取的Siamese subnetwork和一个用于边界盒预测的分类回归子网络。框架以ResNet50为骨架网络。SOTA的方法SiamRPN，SiamRPN++和SPM都是基于区域的，

首先提出一个问题，目标跟踪的流程是什么样的或者说怎么去实现目标追踪？这里结合老师的讲解，具体流程如下：给定第M帧图像，在M+1帧上结合M帧的位置在其周围邻域内进行搜索，通过交叉相关衡量检测框与模板框的相似度，在有限的穷举之后选择前后两帧相关程度最大的作为目标的下一个运动点，然后将前后两帧的位置进行连接就会形成一个短小的目标轨迹，以此类推，目标的运动轨迹就出现了，这也就是时间滑动窗口的原理。在此引入两个概念，交并比（IoU）和非极大抑制（NMS）在目标追踪时，生成候选样本的速度会直接决定跟踪系统表现的优

Fully- Convolutional Siamese Networks for Object Tracking用于目标追踪的全卷积孪生神经网络论文链接：arXiv1. 概述问题是跟踪视频中任意对象的问题，其中对象仅通过第一帧中的矩形来识别。虽然计算机视觉中的其他问题已经越来越普遍的采用的从大型监督数据集训练的深度卷积网络，但是监督数据的稀缺和实时操作的限制阻止了深度学习在每个视频学习一个检测器的范例的完美应用。本文提出的方法在数十里现阶段训练深度卷积网络来解决更一般的相似性学习问题。然后在跟

Locality Aware Appearance Metric for Multi-Target Multi-Camera Tracking多目标多摄像机跟踪的局部感知外观度量本文要介绍的是澳洲国立大学（Australian National University）郑良老师实验室和清华大学电子系计算机视觉实验室合作的工作《Locality Aware Appearance Metric for Multi-Target Multi-Camera Tracking》。文章链接：arXiv；代码：re-

关于目标追踪问题和重识别问题的一点学习笔记，参考知乎大佬的帖子：重识别（re-ID）特征适合直接用于跟踪（tracking）问题么？首先，tracking问题和re-ID问题的本质区别：局部匹配和全局匹配。...