基于图像特征的视觉跟踪系统(Feature-based visual tracking systems)--一篇Visual Tracking Benchmark (2013)综述

本文主要是介绍基于图像特征的视觉跟踪系统(Feature-based visual tracking systems)--一篇Visual Tracking Benchmark (2013)综述,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

reference:http://blog.csdn.net/anshan1984/article/details/8866455

最近读到一篇关于视觉跟踪的综述性文章,“Evaluation of Interest Point Detectors and Feature Descriptors for Visual Tracking”,发表在2011年3月International Journal of Computer Vision上。作者非常详尽的评估了2010年之前的图像检测子及图像描述子(检测子包括Harris Corner、Shi-Tomasi' feature、DoG、Fast Hessian、FAST、CenSurE;描述子包括Image Patch、SIFT、SURF、keypoint classification with Randomized Trees、keypoint classification with Randomized Ferns),以及它们用于视觉跟踪时的各项性能,并且提供精心设计的数据集http://ilab.cs.ucsb.edu/tracking_dataset_ijcv/。


视觉跟踪是许多应用的核心部分,包括视觉里程计(visual odomety)、基于视觉的同步定位与地图创建(visual Simultaneous Localization and Mapping)以及增强视觉(Augmented Reality)。这些应用的需求不同,但是都需要鲁棒、精确、快速实时的底层视觉跟踪方法。光流法(optical flow)与基于特征的跟踪方法(feature-basedvisual tracking)是视觉跟踪的两种主要方法,而后者更为常用。


文中归纳了截止2010年已有的基于特征的视觉跟踪系统,已经算非常详尽。

论文下载地址:cs.iupui.edu/~tuceryan/pdf-repository/Gauglitz2011.pdf



Visual Tracking 领域最新paper与code
(2016-csdn blog:http://blog.csdn.net/cyh_24/article/details/51592156)

最近在研究 tracking,所以总结了一些较新的 tracking 相关的论文和源码。

希望能够为刚进入这个领域的同学节省一些时间。

如您有其他优秀的paper或者code,欢迎在回复中留言~谢谢!


Learning Multi-Domain Convolutional Neural Networks for Visual Tracking (VOT2015 冠军) 
author: Hyeonseob Nam, Bohyung Han 
homepage: http://cvlab.postech.ac.kr/research/mdnet/ 
code: https://github.com/HyeonseobNam/MDNet 
阅读笔记: http://blog.csdn.net/cyh_24/article/details/51590174

Learning to Track: Online Multi-Object Tracking by Decision Making (ICCV 2015) 
author: Yu Xiang, Alexandre Alahi, Silvio Savarese 
slides: https://yuxng.github.io/Xiang_ICCV15_12162015.pdf 
code: https://github.com/yuxng/MDP_Tracking

Hierarchical Convolutional Features for Visual Tracking (ICCV 2015) 
author: Chao Ma, Jia-Bin Huang, Xiaokang Yang, Ming-Husan Yang 
project page: https://sites.google.com/site/jbhuang0604/publications/cf2 
code: https://github.com/jbhuang0604/CF2

Robust Visual Tracking via Convolutional Networks without Training (2015) 
author: Kaihua Zhang, Qingshan Liu, Yi Wu, and Ming-Hsuan Yang 
code: http://kaihuazhang.net/CNT_matlab.rar

Transferring Rich Feature Hierarchies for Robust Visual Tracking (2015) 
author: Naiyan Wang, Siyi Li, Abhinav Gupta, Dit-Yan Yeung 
slides: http://valse.mmcheng.net/ftp/20150325/RVT.pptx

Understanding and Diagnosing Visual Tracking Systems (ICCV 2015) 
author: Naiyan Wang, Jianping Shi, Dit-Yan Yeung, Jiaya Jia 
project page: http://winsty.net/tracker_diagnose.html 
code: http://120.52.72.43/winsty.net/c3pr90ntcsf0/diagnose/diagnose_code.zip

RATM: Recurrent Attentive Tracking Model (2015) 
author: Samira Ebrahimi Kahou, Vincent Michalski, Roland Memisevic 
code: https://github.com/saebrahimi/RATM

Visual Tracking with Fully Convolutional Networks (ICCV 2015) 
author: Lijun Wang, Wanli Ouyang, Xiaogang Wang, Huchuan Lu 
code: https://github.com/scott89/FCNT

Deep Tracking: Seeing Beyond Seeing Using Recurrent Neural Networks (AAAI 2016) 
author: Peter Ondr úška and Ingmar Posner 
code: https://github.com/pondruska/DeepTracking

Learning to Track at 100 FPS with Deep Regression Networks (2016) 
author: David Held, Sebastian Thrun, Silvio Savarese

Online Multi-target Tracking using Recurrent Neural Networks (2016) 
author: Anton Milan, Seyed Hamid Rezatofighi, Anthony Dick, Konrad Schindler, Ian Reid 
code: https://bitbucket.org/amilan/rnntracking

Multi-Target Tracking by Discrete-Continuous Energy Minimization (2016) 
author: A. Milan, K. Schindler, S. Roth 
author homepage: http://www.milanton.de/ 
project page: http://www.milanton.de/dctracking/index.html

Near-Online Multi-target Tracking with Aggregated Local Flow Descriptor (2015) 
author: Wongun Choi



这篇关于基于图像特征的视觉跟踪系统(Feature-based visual tracking systems)--一篇Visual Tracking Benchmark (2013)综述的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1050200

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【区块链 + 人才服务】可信教育区块链治理系统 | FISCO BCOS应用案例

伴随着区块链技术的不断完善,其在教育信息化中的应用也在持续发展。利用区块链数据共识、不可篡改的特性, 将与教育相关的数据要素在区块链上进行存证确权,在确保数据可信的前提下,促进教育的公平、透明、开放,为教育教学质量提升赋能,实现教育数据的安全共享、高等教育体系的智慧治理。 可信教育区块链治理系统的顶层治理架构由教育部、高校、企业、学生等多方角色共同参与建设、维护,支撑教育资源共享、教学质量评估、

uva 10916 Factstone Benchmark(打表)

题意是求 k ! <= 2 ^ n ,的最小k。 由于n比较大,大到 2 ^ 20 次方,所以 2 ^ 2 ^ 20比较难算,所以做一些基础的数学变换。 对不等式两边同时取log2,得: log2(k ! ) <=  log2(2 ^ n)= n,即:log2(1) + log2(2) + log2 (3) + log2(4) + ... + log2(k) <= n ,其中 n 为 2 ^

软考系统规划与管理师考试证书含金量高吗?

2024年软考系统规划与管理师考试报名时间节点: 报名时间:2024年上半年软考将于3月中旬陆续开始报名 考试时间:上半年5月25日到28日,下半年11月9日到12日 分数线:所有科目成绩均须达到45分以上(包括45分)方可通过考试 成绩查询:可在“中国计算机技术职业资格网”上查询软考成绩 出成绩时间:预计在11月左右 证书领取时间:一般在考试成绩公布后3~4个月,各地领取时间有所不同

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识