本篇是对 WACV 2021 目标跟踪相关论文的总结，包含对视觉跟踪中的 spatial-temporal representation、Challenge Factors、scale-equivariant 问题的探讨，以及一篇是对深水动物进行跟踪的研究。

 

共计 5 篇，如有遗漏，欢迎补充。
下载包含这些论文的 WACV 2021 所有论文：『WACV 2021 开幕，更偏重技术应用，附论文下载』

视觉跟踪

 

MART: Motion-Aware Recurrent Neural Network for Robust Visual Tracking

 

本次研究，主要探讨视觉跟踪的时空表征问题。作者引入新型的运动感知循环神经网络，同时捕捉目标的运动动态和对齐时空特征，从而实现更有效的表示。在时空表征基础上，开发了一个在线分类模型，用于目标定位。

 

针对目标尺度估计，作者又引入单调的多步回归方法，利用 IoU 预测得分来指导每一步的边界盒回归。

 

集成目标定位和规模估计，跟踪器 MART 在五个基准上取得了最先进的结果，并实时运行。

 

作者 | Heng Fan, Haibin Ling

单位 | 石溪大学

论文 | 

https://openaccess.thecvf.com/content/WACV2021/papers/Fan_MART_Motion-Aware_Recurrent_Neural_Network_for_Robust_Visual_Tracking_WACV_2021_paper.pdf

代码 | https://hengfan2010.github.io/projects/MART/MART.htm

 

TracKlinic: Diagnosis of Challenge Factors in Visual Tracking

作者开发一个工具包：TracKlinic，用于跟踪算法挑战因子的诊断，并提供一个由 2,390 个序列组成的 280K 帧的诊断数据集。作者称 TracKlinic 是第一个用于诊断跟踪中挑战因素的基准。此外，还提供一个分析工具，用于研究跟踪器并自动生成报告。
作者将 TracKlinic 应用到十个最先进的跟踪器作为范例，并加上详细的分析，帮助研究人员示范如何诊断自己的跟踪器。
作者 | Heng Fan, Fan Yang, Peng Chu, Lin Yuan, Haibin Ling单位 | 天普大学；亚马逊；石溪大学论文 | https://arxiv.org/abs/1911.07959代码 | coming

Visual Tracking of Deepwater Animals Using Machine Learning-Controlled Robotic Underwater Vehicles
利用机器学习控制的机器人水下航行器对深水动物进行视觉跟踪
作者 | Kakani Katija, Paul L. D. Roberts, Joost Daniels, Alexandra Lapides, Kevin Barnard, Mike Risi, Ben Y. Ranaan, Benjamin G. Woodward, Jonathan Takahashi单位 | MBARI；CVision AI论文 | https://openaccess.thecvf.com/content/WACV2021/papers/Katija_Visual_Tracking_of_Deepwater_Animals_Using_Machine_Learning-Controlled_Robotic_Underwater_WACV_2021_paper.pdf

Siamese Tracking

 

Scale Equivariance Improves Siamese Tracking

 

本次项目中，作者专注于 scaling，目的是为孪生网络(siamese network)配备额外的内置尺度等价物，来捕捉目标的先验自然变化。

 

作者提出 scale-equivariant Siamese trackers（尺度等价的孪生跟踪器）的理论，并提供了一个简单 recipe，即如何使现有广泛的追踪器具有尺度等价性。

 

还介绍了 SE-SiamFC，一个根据该 recipe 构建的 SiamFC 的标量等价变体。

 

在 OTB 和 VOT 基准上以及综合生成的 T-MNIST 和 S-MNIST 数据集上进行了实验，证明了内置的额外尺度等价性对于视觉目标跟踪是有用的。

 

作者 | Ivan Sosnovik, Artem Moskalev, Arnold Smeulders

单位 | 阿姆斯特丹大学

论文 | https://arxiv.org/abs/2007.09115

代码 | https://github.com/isosnovik/SiamSE

IGSSTRCF: Importance Guided Sparse Spatio-Temporal Regularized Correlation Filters for Tracking作者 | Monika Jain, A. V. Subramanyam, Simon Denman, Sridha Sridharan, Clinton Fookes
单位 | IIITD；昆士兰科技大学论文 | https://openaccess.thecvf.com/content/WACV2021/papers/Jain_IGSSTRCF_Importance_Guided_Sparse_Spatio-Temporal_Regularized_Correlation_Filters_for_Tracking_WACV_2021_paper.pdf

 

- END -编辑：CV君转载请联系本公众号授权

备注：跟踪

目标跟踪交流群

目标跟踪、视觉跟踪等技术，

若已为CV君其他账号好友请直接私信。

OpenCV中文网