视觉目标跟踪指在一个视频序列中,给定第一帧目标区域,在后续帧中自动匹配到该目标区域的任务。通常来说,由于场景遮挡、光照变化、物体本身形变等复杂因素,目标与场景的表观会发生剧烈的变化,这使得跟踪任务本身面临极大的挑战。在过去的十年中,随着深度学习在计算机视觉领域的广泛应用,目标跟踪领域也迅速发展,研究人员提出了一系列优秀算法。鉴于该领域处于快速发展的阶段,文中对视觉目标跟踪研究进行了综述,内容主要包括跟踪的基本框架改进、目标表示改进、空间上下文改进、时序上下文改进、数据集和评价指标改进等;另外,还综合分析了这些改进方法各自的优缺点,并提出了可能的未来的研究趋势。

http://www.jsjkx.com/CN/article/openArticlePDF.jsp?id=19761

目标跟踪是计算机视觉领域的一项经典研究课题,目的 是在给定第一帧初始目标边界框的情况下,在后续视频序列 中准确定位目标(见图1).随着高性能移动设备与高配置摄 像机的爆炸式增长,以及新一代5G 网络的逐步应用,人们对 自动视频分析的需求日益增长.自动视频分析中有3个关键 步骤:自动检测感兴趣的运动物体、逐帧跟踪这些物体、通过 分析物体的轨迹来进行行为识别.目标跟踪作为其中的一项 重要技术,引起了相关学者的极大关注[1G2].然而,视觉目标 跟踪是一项极具挑战性的任务,因为有一系列不同的问题需 要在单个跟踪算法中解决.例如,跟踪算法能很好地处理光 照变化,但是难以应对因相机角度变化而带来的物体表观的变化;跟踪算法擅长准确预测物体运动,但是难以跟踪快速弹 跳的物体;跟踪算法能对外观做出详细假设,但是不能处理有 关节的物体.

目标跟踪领域涌现出了大批经典算法[3G21],具体如图2所示. 本文分4个阶段对目标跟踪的发展进行综述,即早期的目标 跟踪探索阶段、稀疏表示阶段、相关滤波阶段和孪生网络阶 段,主 要 介 绍 的 跟 踪 算 法 包 括 Histogram [3],Ensemble [4], IVT [5],MIL [6],L1Tracker [7],TLD [8],MOSSE [9],Struck [10], ASLA [11],CT [12],CSK (KCF)[13],CN [14],STC [15],CF2 [16]ECO [17],SiamFC [18],SiamRPN [19],ATOM [20],SiamRCNN [21]等. 本文详细梳理了最近几年目标跟踪领域的相关工作,并 将其分为了五大类:数据集和评价标准的改进、目标跟踪基本 框架改进、目标表示的改进、空间上下文方面的改进和时序上 下文方面的改进.对上述5类工作分别进行介绍和分析之后 得出本文的结论,并提出未来目标跟踪领域可能的发展趋势.

成为VIP会员查看完整内容
0
27

相关内容

随着人脸表情识别任务逐渐从实验室受控环境转移至具有挑战性的真实世界环境,在深度学习技术的迅猛发展下,深度神经网络能够学习出具有判别能力的特征,逐渐应用于自动人脸表情识别任务。目前的深度人脸表情识别系统致力于解决以下两个问题:1)由于缺乏足量训练数据导致的过拟合问题;2)真实世界环境下其他与表情无关因素变量(例如光照、头部姿态和身份特征)带来的干扰问题。本文首先对近十年深度人脸表情识别方法的研究现状以及相关人脸表情数据库的发展进行概括。然后,将目前基于深度学习的人脸表情识别方法分为两类:静态人脸表情识别和动态人脸表情识别,并对这两类方法分别进行介绍和综述。针对目前领域内先进的深度表情识别算法,对其在常见表情数据库上的性能进行了对比并详细分析了各类算法的优缺点。最后本文对该领域的未来研究方向和机遇挑战进行了总结和展望:考虑到表情本质上是面部肌肉运动的动态活动,基于动态序列的深度表情识别网络往往能够取得比静态表情识别网络更好的识别效果。此外,结合其他表情模型如面部动作单元模型以及其他多媒体模态,如音频模态和人体生理信息能够将表情识别拓展到更具有实际应用价值的场景。

成为VIP会员查看完整内容
0
14

在计算机视觉领域中,语义分割是场景解析和行为识别的关键任务,基于深度卷积神经网络的图像语义分割方法已经取得突破性进展。语义分割的任务是对图像中的每一个像素分配所属的类别标签,属于像素级的图像理解。目标检测仅定位目标的边界框,而语义分割需要分割出图像中的目标。本文首先分析和描述了语义分割领域存在的困难和挑战,介绍了语义分割算法性能评价的常用数据集和客观评测指标。然后,归纳和总结了现阶段主流的基于深度卷积神经网络的图像语义分割方法的国内外研究现状,依据网络训练是否需要像素级的标注图像,将现有方法分为基于监督学习的语义分割和基于弱监督学习的语义分割两类,详细阐述并分析这两类方法各自的优势和不足。本文在PASCAL VOC(pattern analysis, statistical modelling and computational learning visual object classes)2012数据集上比较了部分监督学习和弱监督学习的语义分割模型,并给出了监督学习模型和弱监督学习模型中的最优方法,以及对应的MIoU(mean intersection-over-union)。最后,指出了图像语义分割领域未来可能的热点方向。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20200601&flag=1

成为VIP会员查看完整内容
0
26

AutoML: A Survey of the State-of-the-Art

深度学习已经渗透到我们生活的方方面面,给我们带来了极大的便利。然而,针对某一特定任务构建高质量的深度学习系统的过程不仅耗时,而且需要大量的资源和人力,阻碍了深度学习在产业界和学术界的发展。为了缓解这一问题,越来越多的研究项目关注于自动化机器学习(AutoML)。在本文中,我们提供了一个全面的和最新的研究,在最先进的汽车。首先,根据机器学习的特点,详细介绍了自动化技术。在此基础上,总结了神经结构搜索(NAS)的研究现状,这是目前自动化领域研究的热点之一。我们还将NAS算法生成的模型与人工设计的模型进行了比较。最后,提出了有待进一步研究的几个问题。

成为VIP会员查看完整内容
0
61
小贴士
相关VIP内容
专知会员服务
9+阅读 · 4月8日
专知会员服务
12+阅读 · 3月29日
专知会员服务
18+阅读 · 3月12日
专知会员服务
14+阅读 · 3月5日
专知会员服务
26+阅读 · 1月7日
专知会员服务
17+阅读 · 2020年12月28日
专知会员服务
51+阅读 · 2020年6月26日
专知会员服务
55+阅读 · 2020年4月23日
自动机器学习:最新进展综述
专知会员服务
61+阅读 · 2019年10月13日
相关资讯
深度学习可解释性研究进展
专知
8+阅读 · 2020年6月26日
重磅!商汤开源目标跟踪最强算法SiamRPN系列
AI前线
10+阅读 · 2019年5月24日
生成对抗网络的研究进展与趋势
中国计算机学会
16+阅读 · 2018年11月14日
视觉物体跟踪新进展:让跟踪器读懂目标语义信息
微软研究院AI头条
5+阅读 · 2018年9月13日
论文笔记之Meta-Tracker(ECCV2018)
统计学习与视觉计算组
13+阅读 · 2018年8月24日
【研究分享】基于踪片Tracklet关联的视觉目标跟踪:现状与展望
中国科学院自动化研究所
7+阅读 · 2018年1月16日
VALSE2017系列之四:目标跟踪领域进展报告
深度学习大讲堂
5+阅读 · 2017年5月22日
相关论文
Hexin Bai,Wensheng Cheng,Peng Chu,Juehuan Liu,Kai Zhang,Haibin Ling
0+阅读 · 4月7日
Ceyuan Yang,Zhirong Wu,Bolei Zhou,Stephen Lin
0+阅读 · 4月6日
Xinyi Wang,Sebastian Ruder,Graham Neubig
0+阅读 · 4月6日
Shang-Hua Gao,Qi Han,Zhong-Yu Li,Pai Peng,Liang Wang,Ming-Ming Cheng
5+阅读 · 1月4日
Deep Learning in Video Multi-Object Tracking: A Survey
Gioele Ciaparrone,Francisco Luque Sánchez,Siham Tabik,Luigi Troiano,Roberto Tagliaferri,Francisco Herrera
33+阅读 · 2019年7月31日
Proposal, Tracking and Segmentation (PTS): A Cascaded Network for Video Object Segmentation
Qiang Zhou,Zilong Huang,Lichao Huang,Yongchao Gong,Han Shen,Chang Huang,Wenyu Liu,Xinggang Wang
3+阅读 · 2019年7月4日
Chenglong Li,Liang Lin,Wangmeng Zuo,Jin Tang,Ming-Hsuan Yang
4+阅读 · 2018年4月30日
Pengkai Zhu,Hanxiao Wang,Tolga Bolukbasi,Venkatesh Saligrama
5+阅读 · 2018年3月19日
Anfeng He,Chong Luo,Xinmei Tian,Wenjun Zeng
9+阅读 · 2018年2月24日
Caglar Aytekin,Francesco Cricri,Emre Aksu
6+阅读 · 2018年2月8日
Top