跟踪在计算机视觉里有很广泛的内涵,本文所指的跟踪为通用目标跟踪,不包括比如人脸特征点跟踪、视线跟踪等特定领域。
本文总结了 19 篇相关论文,列出了代码地址,并大致分类为单目标跟踪(最多)、多目标跟踪、跟踪与分割、3D目标跟踪、跟踪数据集几部分。
比较有意思的是,跟踪领域的人也开始关注分割了,ICCV上也有相关的workshop。这给算法带来新挑战。
52CV跟踪群里已经汇集大量专业人士,欢迎进群交流。(文末附加群方式)
可以在以下网站下载这些论文:
http://openaccess.thecvf.com/CVPR2019.py
如果想要下载所有CVPR 2019 论文,请点击这里:
重磅!CVPR 2019 论文终于全面开放下载!附百度云链接
更多论文盘点:
单目标跟踪
一种无监督的方式对大规模无标记视频进行训练的。动机是一个健壮的跟踪器应该在视频前向和后向预测中都是有效的,在Siamese相关滤波网络上构建了算法框架,该网络使用未标记的原始视频进行训练,达到了有监督跟踪器的baseline精度。
Unsupervised Deep Tracking
Ning Wang, Yibing Song, Chao Ma, Wengang Zhou, Wei Liu, Houqiang Li
https://github.com/594422814/UDT/
为了实现多目标跟踪的无标签和端到端学习,提出了一种用动画来跟踪的框架,其中可微分神经模型首先跟踪输入帧中的对象,然后将这些对象动画化为重建帧。然后通过反向传播通过重建误差来驱动学习。
军事医学研究院、国防科技大学、伦敦大学学院、阿兰图灵研究所
Tracking by Animation: Unsupervised Learning of Multi-Object Attentive Trackers
Zhen He, Jian Li, Daxue Liu, Hangen He, David Barber
https://github.com/zhen-he/tracking-by-animation
通过特定视点的鉴别相关滤波的重建进行目标跟踪
Tampere University、University of Ljubljana
Object Tracking by Reconstruction With View-Specific Discriminative Correlation Filters
Ugur Kart, Alan Lukezic, Matej Kristan, Joni-Kristian Kamarainen, Jiri Matas
提出了一种新的学习目标感知特征的方法,该方法能够比预训练的深度特征更好地识别发生显著外观变化的目标。目标感知特征与Siamese匹配网络集成,用于视觉跟踪。大量的实验结果表明,该算法在精度和速度上均优于现有的算法。
哈工大、上海交大、腾讯AI实验室、加州大学默塞德分校、Google Cloud AI
Target-Aware Deep Tracking
Xin Li, Chao Ma, Baoyuan Wu, Zhenyu He, Ming-Hsuan Yang
https://github.com/XinLi-zn/TADT
https://github.com/ZikunZhou/TADT-python
SPM跟踪器:用于实时视觉对象跟踪的串并联匹配。提出了串并联匹配(Series-Parallel Matching)的结构。整个结构分为两个部分,称之为“粗匹配”与“细匹配”。
中国科技大学、微软亚洲研究院
SPM-Tracker: Series-Parallel Matching for Real-Time Visual Object Tracking
Guangting Wang, Chong Luo, Zhiwei Xiong, Wenjun Zeng
SiamRPN++:目前精度最高的单目标跟踪
商汤研究院、中科院自动化所、中科院计算所
SiamRPN++: Evolution of Siamese Visual Tracking With Very Deep Networks
Bo Li, Wei Wu, Qiang Wang, Fangyi Zhang, Junliang Xing, Junjie Yan
https://github.com/STVIR/pysot
CVPR 2019 Oral 目标跟踪最强算法SiamRPN++开源实现
对影响跟踪精度的主干网络因素进行了系统的研究,为Siamese跟踪框架提供了一个架构设计的指导;基于文章提出的无填充残差单元,设计了一种新的用于Siamese跟踪的更深、更宽的网络架构。实验结果显示新的架构对基准跟踪算法确实有很明显的性能提升效果。
中科院大学&中科院自动化所、微软研究院
Deeper and Wider Siamese Networks for Real-Time Visual Tracking
Zhipeng Zhang, Houwen Peng
https://github.com/researchmm/SiamDW
一种在siamese网络下训练GCNS的视觉追踪方法,实现了存在遮挡、突然运动、背景杂波情景下的鲁棒视觉追踪
中科院、中科院大学、鹏城实验室、中国科技大学
Graph Convolutional Tracking
Junyu Gao, Tianzhu Zhang, Changsheng Xu
http://nlpr-web.ia.ac.cn/mmc/homepage/jygao/gct_cvpr2019.html#
通过预测target和estimated bounding box的overlap来实现目标估计。本文提出的ATOM跟踪模型在5个benchmark数据集上实现了state-of-the-art性能;在TrackingNet数据集上,相对于之前的最佳方法提升了15%,同时运行速度超过30 FPS。
CVL, Linko ̈ping University, Sweden、CVL, ETH Zu ̈rich, Switzerland、起源人工智能研究院
ATOM: Accurate Tracking by Overlap Maximization
Martin Danelljan, Goutam Bhat, Fahad Shahbaz Khan, Michael Felsberg
https://github.com/visionml/pytracking (378颗星!)
基于自适应空间加权相关滤波的视觉跟踪
大连理工大学、鹏城实验室、腾讯优图
Visual Tracking via Adaptive Spatially-Regularized Correlation Filters
Kenan Dai, Dong Wang, Huchuan Lu, Chong Sun, Jianhua Li
https://github.com/Daikenan/ASRCF
基于兴趣区域的池化相关滤波方法的视觉跟踪
大连理工大学、腾讯优图、海军航空兵学院、鹏城实验室
ROI Pooled Correlation Filters for Visual Tracking
Yuxuan Sun, Chong Sun, Dong Wang, You He, Huchuan Lu
孪生级联候选区域网络,用于实时目标跟踪
美国天普大学
Siamese Cascaded Region Proposal Networks for Real-Time Visual Tracking
Heng Fan, Haibin Ling
多目标跟踪
分享: