ICCV2017 UCT:学习统一卷积网络进行实时可视化跟踪---论文笔记

相关博客：https://blog.csdn.net/ms961516792/article/details/81462102

《UCT: Learning Unified Convolutional Networks forReal-time Visual Tracking》

摘要

Convolutional neural networks (CNN) based tracking approaches have shown favorable performance in recent benchmarks.
基于卷积神经网络(CNN)的跟踪方法在最近的测试中显示出良好的性能。

Nonetheless, the chosen CNN features are always pre-trained in different task and individual components in tracking systems are learned eparately, thus the achieved tracking performance may be suboptimal.
然而，所选择的CNN特征总是针对不同的任务进行预训练，并且跟踪系统中的各个组件是独立学习的，因此所获得的跟踪性能可能不是最优的。

Besides, most of these trackers are not designed towards realtime applications because of their time-consuming feature extraction and complex optimization details.
此外，由于这些跟踪器费时的特征提取和复杂的优化细节，它们大多不是针对实时应用程序设计的。

In this paper, we propose an end-to-end framework to learn the convolutional features and perform the tracking process simultaneously,namely, a unified convolutional tracker (UCT).
在本文中，我们提出了一个端到端框架来学习卷积的特征并同时执行跟踪过程,即统一卷积跟踪器(UCT)。

Specifically, The UCT treats feature extractor and tracking process (ridge regression) both as convolution operation and trains them jointly, nabling learned CNN features are tightly coupled to tracking process.
具体来说，UCT将特征提取器feature extractor和跟踪处理（岭回归）tracking process (ridge regression)都作为卷积运算来处理，并对它们进行联合训练，nabling学习到的CNN feature与tracking process是紧密耦合的。

In online tracking, an efficient updating method is proposed by introducing peak-versus-noise ratio (PNR) criterion, and scale changes are handled efficiently by incorporating a scale branch into network.
在在线跟踪中，通过引入峰值噪声比(PNR)准则，提出了一种有效的更新方法，并将尺度分支并入网络，有效地处理尺度变化。

The proposed approach results in superior tracking performance, while maintaining real-time speed.
该方法在保持实时性的同时，具有较好的跟踪性能。

The standard UCT and UCT-Lite can track generic objects at 41 FPS and 154 FPS without further optimization, respectively.
标准UCT和UCT- lite无需进一步优化即可分别在41 FPS和154 FPS下跟踪通用对象。

Experiments are performed on four challenging benchmark tracking datasets: OTB2013, OTB2015, VOT2014 and VOT2015, and our method achieves state-ofthe-art results on these benchmarks compared with other real-time trackers.在OTB2013、OTB2015、VOT2014和VOT2015这四个具有挑战性的基准跟踪数据集上进行了实验，与其他实时跟踪器相比，我们的方法在这些基准上取得了最先进的结果。

ICCV2017 UCT:学习统一卷积网络进行实时可视化跟踪---论文笔记相关推荐

李沐动手学深度学习V2-全卷积网络FCN和代码实现
一.全卷积网络FCN 1. 介绍语义分割是对图像中的每个像素分类,全卷积网络(fully convolutional network,FCN)采用卷积神经网络实现了从图像像素到像素类别的变换 ,与前 ...
（刘二大人）PyTorch深度学习实践-卷积网络（Advance）
1. 1x1的卷积核的作用在width和height不变的基础上改变通道的数量减少计算量 2. GoogLeNet中Inception Module的实现 2.1 Inception块的代码实现 ...
【图神经网络研究精华】图卷积网络作者Thomas Kipf博士论文公布
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 转载自:机器之心对于普通人来说,将自己的学位论文公布到社交媒体可能需要点勇气.但 ...
178页，四年图神经网络研究精华，图卷积网络作者Thomas Kipf博士论文公布
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散仅作分享,不代表本公众号立场,侵权联系删除转载于:机器之心 AI博士笔记系列推荐周志华<机器学习>手 ...
通过Network Slimming学习高效卷积网络
1.文章信息本文是2017年发表在计算机视觉领域顶会ICCV的一篇文章,被引量已经达到了1214次,是引用比较广泛的一种模型剪枝方法,作者来自清华大学.英特尔中国实验室.复旦大学和科内尔大学. 2. ...
组策略学习-统一映射网络驱动盘
1.正常部署AD DS域服务后,将创建两个默认域组策略对象,如下所示: Default Domain Policy(默认域策略):影响域中的所有用户和计算机. Default Domain Contr ...
FCN全连接卷积网络（2）--读论文的过程理解
阅读论文的步骤: 首先,理解论文的各部分组成 1.摘要对论文的高度概括,是论文的门面,在上网找论文的时候大家一般是先看摘要部分.所以,我们写论文的时候,摘要部分也要反复推敲. 2.引言主要是大方向 ...
Tensorflow学习教程------tensorboard网络运行和可视化
tensorboard可以将训练过程中的一些参数可视化,比如我们最关注的loss值和accuracy值,简单来说就是把这些值的变化记录在日志里,然后将日志里的这些数据可视化. 首先运行训练代码 #co ...
图卷积网络、图神经网络必读论文
Content 1. Survey 2. Models 2.1 Basic Models 2.2 Graph Types 2.3 Pooling Methods 2.4 Analysis 2 ...

ICCV2017 UCT:学习统一卷积网络进行实时可视化跟踪---论文笔记

摘要

ICCV2017 UCT:学习统一卷积网络进行实时可视化跟踪---论文笔记相关推荐

最新文章

热门文章