CVPR 2020目标跟踪多篇开源论文(下)

CVPR 2020目标跟踪多篇开源论文(下)

  1. Cooling-Shrinking Attack:
    Blinding the Tracker with Imperceptible Noises

作者团队:大连理工大学(卢湖川组)&鹏城实验室等

论文链接:https://arxiv.org/abs/2003.09595

代码链接:https://github.com/MasterBin-IIAU/CSA

注:本文提出一种针对
SiamRPN++ 的对抗攻击算法,可以使SiamRPN++跟踪器的性能大幅度下降。

CVPR 2020目标跟踪多篇开源论文(下)_第1张图片
CVPR 2020目标跟踪多篇开源论文(下)_第2张图片

CVPR 2020目标跟踪多篇开源论文(下)_第3张图片

  1. Siam R-CNN:通过重新检测进行视觉跟踪

作者团队:亚琛工业大学(RWTH)&牛津大学

主页链接:https://www.vision.rwth-aachen.de/page/siamrcnn论文链接:https://arxiv.org/abs/1911.12836

代码链接:https://github.com/VisualComputingInstitute/SiamR-CNN

注:Siam
R-CNN性能优于 SiamRPN++、DiMP和SiamFC等网络

CVPR 2020目标跟踪多篇开源论文(下)_第4张图片
CVPR 2020目标跟踪多篇开源论文(下)_第5张图片

  1. ROAM:循环优化目标跟踪模型

作者团队:腾讯AI Lab&香港城市大学&滴滴出行论文链接:https://arxiv.org/abs/1907.12006

代码链接:https://github.com/skyoung/ROAM

注:在OTB、VOT等数据集上,表现SOTA!性能优于MetaTracker、DaSiamRPN和MDNet等网络

在本文中,我们设计了一个由响应生成和边界框回归组成的跟踪模型,其中第一个组件产生一个热图,以指示物体在不同位置的存在,第二部分将相对边界框位移回归到在其上的anchor滑动窗口位置。由于两个组件都使用了可调整大小的卷积filter来适应对象的形状变化,因此我们的跟踪模型无需枚举大小不同的anchor,从而节省了模型参数。为了有效地使模型适应外观变化,我们建议离线训练循环神经优化器以在元学习设置中更新跟踪模型,这可以在几个梯度步骤中使模型收敛。这提高了更新跟踪模型的收敛速度,同时获得了更好的性能。我们在OTB,VOT,LaSOT,GOT-10K和TrackingNet基准测试中对我们的跟踪器ROAM和ROAM++进行了广泛的评估,并且我们的方法相对于最新的算法表现良好。

CVPR 2020目标跟踪多篇开源论文(下)_第6张图片

CVPR 2020目标跟踪多篇开源论文(下)_第7张图片

  1. D3S:判别式Single Shot分割目标跟踪器

作者团队:卢布尔雅那大学等

论文链接:https://arxiv.org/abs/1911.08862

代码链接:https://github.com/alanlukezic/d3s

注:性能优于SiamRPN++、ATOM和SiamMask等网络,速度可达25 FPS!

基于模板的判别式跟踪器由于其健壮性目前是主要的跟踪范例,但仅限于边界框跟踪和有限范围的转换模型,这降低了其定位精度。我们提出了一种判别式的single-shot分割跟踪器-D3S,它缩小了视觉对象跟踪和视频对象分割之间的差距。Single-shot网络应用两个具有互补几何特性的目标模型,一个对广泛的变换(包括非刚性变形)保持不变,另一个模型则假定为刚性对象,以同时实现高鲁棒性和在线目标分割。D3S无需按数据集进行微调,并且仅针对分割进行训练作为主要输出,因此在VOT2016,VOT2018和GOT-10k基准测试中,其性能均优于所有跟踪器,并且在TrackingNet上的性能接近最先进的跟踪器。D3S在视频对象分割基准上胜过领先的分割跟踪器SiamMask,并且与顶级视频对象分割算法表现相当,同时运行速度快了一个数量级,接近实时。

CVPR 2020目标跟踪多篇开源论文(下)_第8张图片

CVPR 2020目标跟踪多篇开源论文(下)_第9张图片

你可能感兴趣的:(神经网络,CVPR,目标检测)