Discussion among Different Methods of Updating Model Filter in Object Tracking
School of Automation, Huazhong University of Science & Technology（华中科技大学自动化学院）；Science & Technology on Multispectral Information Processing Laboratory（multispectral信息处理科学技术实验室）
鉴别相关滤波器（DCF）在视觉目标跟踪领域表现出了优异的性能。本文总结了基于判别相关滤波器（DCF）的跟踪算法中模型滤波器的更新方法，分析了各种方法的异同。推导了高维更新系数（核技巧）、频域更新滤波器和空域更新滤波器之间的关系，并分析了不同方法之间的差异。分析了直接更新滤波器和用更新滤波器的分母（滤波器的功率）更新滤波器的分子（对象响应功率）的区别。通过比较不同的更新方法和可视化的模板过滤器的实验来证明我们的推导。
2020-11-15 cs.CV
Equivalence of Correlation Filter and Convolution Filter in Visual Tracking
College of Computer Science, Sichuan University（四川大学计算机科学学院）；National Key Laboratory of Fundamental Science on Synthetic Vision, Sichuan University（四川大学视觉合成图形图像技术国家级重点实验室）
（判别）相关滤波器已成功地应用于视觉跟踪，并在近年来取得了显著的进展。基于相关滤波器的跟踪器将视觉跟踪看作是将目标的特征模板与检测样本中的候选区域进行匹配的问题，其中相关滤波器提供了计算相似度的手段。而在图像处理中，卷积滤波通常用于模糊、锐化、浮雕、边缘检测等。从表面上看，相关滤波器和卷积滤波器通常用于不同的目的。本文首次证明了在最优解存在且理想滤波器响应为高斯中心对称的条件下，相关滤波器和卷积滤波器在视觉跟踪中的最小均方误差（MMSE）相等的意义上是等价的。这一结果使研究人员可以自由选择相关或卷积来制定他们的跟踪器。它还表明，用相似性来解释理想反应并不重要。
2021-05-04 cs.CV
Spectral Filter Tracking
Nanjing University of Science and Technology（南京理工大学）；Southeast University（东南大学）
视觉目标跟踪是一个具有挑战性的计算机视觉任务，具有许多现实世界的应用。在这里，我们提出了一个简单而有效的频谱滤波跟踪（SFT）方法。为了表征跟踪目标的旋转和平移不变性，候选图像区域被建模为逐像素网格图。与传统的图匹配方法不同，本文将跟踪问题转化为一个简单的最小二乘回归问题来估计目标的最佳中心坐标。但与基于相关滤波器的方法的整体回归不同，SFT可以对每个像素的局部周围区域（即，为了避免图拉普拉斯矩阵L的特征值分解问题，我们利用谱图理论将谱图滤波器参数化为L的多项式，其中L k精确编码每个顶点的一个k跳局部邻域。最后，滤波器参数（即，多项式系数）以及特征投影函数被联合地集成到回归模型中。
2017-07-18 cs.CV
Robust Online Multi-target Visual Tracking using a HISP Filter with Discriminative Deep Appearance Learning
Lancaster University（兰卡斯特大学）；University of Lincoln（林肯大学）
我们提出了一种新的在线多目标视觉跟踪器的基础上最近开发的假设和独立的随机人口（HISP）过滤器。HISP滤波器结合了MHT等传统跟踪方法和PHD滤波器等基于点过程的跟踪方法的优点，在保持跟踪身份的同时具有线性复杂度。我们应用此过滤器跟踪多个目标在不同的环境条件下获得的视频序列和目标密度使用跟踪检测方法。我们还通过在大规模人员重新识别数据集上训练验证识别网络（VerIdNet）来采用深度CNN外观表示。我们使用这种深度CNN外观特征和时空信息以原则性的方式构建增强的可能性。此外，我们解决了两个或多个目标具有相同的标签的问题，考虑每个已确认的假设传播的权重。在MOT16和MOT17基准数据集上进行的大量实验表明，我们的跟踪器在跟踪精度方面明显优于几种最先进的跟踪器。
2020-10-11 cs.CV
Variational Bayes for robust radar single object tracking
TU Eindhoven（埃因霍温理工大学）；Sioux Technologies（苏克斯科技公司）
我们解决目标跟踪雷达和鲁棒性的当前国家的最先进的方法来处理离群值。标准的跟踪算法从雷达图像空间提取检测，以在滤波阶段使用它。滤波由假定高斯分布噪声的卡尔曼滤波器执行。然而，这种假设没有考虑到大的建模误差，并导致在突然运动期间的跟踪性能差。我们把高斯和滤波器（多假设跟踪器的单对象变体）作为我们的基线，并提出了一个修改，通过建模过程噪声的分布，具有较重的尾巴比高斯。变分贝叶斯提供了一种快速，计算成本低的推理算法。我们的模拟结果表明，在过程离群值的存在下，鲁棒跟踪器在跟踪单个对象时优于高斯和滤波器。
2022-09-28 cs.CV cs.LG eess.SP
Adaptive Correlation Filters with Long-Term and Short-Term Memory for Object Tracking
Shanghai Jiao Tong University（上海交通大学）；Australian Centre for Robotic Vision, The University of Adelaide（阿德莱德大学澳大利亚机器人视觉中心）；Virginia Tech（弗吉尼亚理工学院暨州立大学）；University of California at Merced（加州大学默塞德分校）
对象跟踪是具有挑战性的，因为目标对象经常随时间经历剧烈的外观变化。最近，自适应相关滤波器已成功地应用于目标跟踪。然而，依赖于高度自适应相关滤波器的跟踪算法容易由于噪声更新而漂移。此外，由于这些算法不保持目标外观的长期记忆，它们不能从由相机视图中的严重遮挡或目标消失引起的跟踪失败中恢复。在本文中，我们提出了学习多个自适应相关滤波器的目标外观的长期和短期记忆的鲁棒性目标跟踪。首先，我们学习一个具有积极学习率的核相关滤波器，用于精确定位目标对象。我们考虑到周围的上下文和特征表示的适当大小。其次，我们学习一个相关滤波器的特征金字塔中心的估计目标位置预测规模的变化。第三，我们学习一个互补的相关滤波器与一个保守的学习率，以保持长期记忆的目标外观。我们使用这个长期滤波器的输出响应来确定跟踪失败是否发生。在跟踪失败的情况下，我们应用一个增量学习的检测器，以滑动窗口的方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，该算法在效率、准确性和鲁棒性方面优于现有方法。
2018-03-23 cs.CV
An Experimental Survey on Correlation Filter-based Tracking
近年来，基于相关滤波器的跟踪器（Correlation Filter Based Trackers，CFTs）在视觉目标跟踪领域引起了越来越多的关注，并在不同的比赛和基准测试中取得了非常引人注目的结果。在本文中，我们的目标是审查的发展，CFTs与广泛的实验结果。在对11种跟踪器进行调研的基础上，总结出一个总体框架。此外，我们研究了相关滤波器的不同训练方案，并讨论了最近已经取得的各种有效的改进。已经进行了全面的实验，以评估调查的CFTs的有效性和效率，并与其他竞争的跟踪器进行了比较。实验结果表明，国家的最先进的性能，在鲁棒性，速度和准确性方面，可以实现最近的几个CFTs，如MUSTER和SAMF。我们发现基于相关滤波器的跟踪可以在估计尺度、应用基于部分的跟踪策略以及与长期跟踪方法的合作方面进行进一步的改进。
2015-09-18 cs.CV
Correlation Filter Selection for Visual Tracking Using Reinforcement Learning
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Science and Technologies Facilities Council（科学与技术设施委员会）；Beijing Jiaotong University（北京交通大学）
相关滤波器在视觉跟踪中被证明是一种有效的工具，尤其是在跟踪精度和速度之间寻求一个很好的平衡。然而，基于相关滤波器的模型容易受到来自不准确的跟踪结果的错误更新的影响。迄今为止，很少的努力已经致力于处理相关滤波器更新问题。在本文中，我们提出了一种新的方法来解决相关滤波器更新问题。在我们的方法中，我们并行更新和维护多个相关过滤器模型，并使用深度强化学习来选择其中的最佳相关过滤器模型。为了以有效的方式促进决策过程，我们提出了一个决策网络来处理目标外观建模，该决策网络使用近端策略优化和轻量级学习网络通过数百个具有挑战性的视频进行训练。在OTB100和OTB2013基准测试上对所提出的方法进行了详尽的评估，结果表明该方法足够有效，平均成功率为62.3%，平均精度得分为81.2%，均超过了传统的基于相关滤波器的跟踪器的性能。
2018-11-08 cs.CV
Region-filtering Correlation Tracking
Harbin Institute of Technology（哈尔滨工业大学）
近年来，相关滤波器在视觉跟踪中表现出了优异的性能。然而，基础训练样本区域大于对象区域，包括干扰区域（IR）。训练样本中来自基础训练样本的循环移位的IR严重降低跟踪模型的质量。在本文中，我们提出了新的区域滤波相关跟踪（RFCT）来解决这个问题。我们立即通过将空间映射引入标准CF公式来过滤训练样本。与现有的相关滤波跟踪器相比，本文提出的跟踪器具有以下优点：（1）相关滤波器可以在更大的搜索区域内学习，而不受空间映射的干扰。(2)由于通过空间映射来处理训练样本，因此控制训练样本中的背景信息和目标信息是更普遍的方法。空间地图的价值不受限制，然后可以探索更好的空间地图。(3)精确过滤器的权重比例增加，以减轻模型损坏。实验在两个基准数据集上进行：OTB-2013和OTB-2015。这些基准的定量评估表明，所提出的RFCT算法表现良好，对几个国家的最先进的方法。
2018-03-23 cs.CV
A Structural Correlation Filter Combined with A Multi-task Gaussian Particle Filter for Visual Tracking
UTS（悉尼科技大学）；FZU（福州大学）
本文提出了一种新的结构相关滤波器结合多任务高斯粒子滤波（KCF-GPF）模型的鲁棒视觉跟踪。我们首先提出了一个组装结构，几个KCF跟踪器作为弱专家提供了一个高斯粒子滤波器的初步决定，作出最终决定。所提出的方法旨在利用和补充KCF和高斯粒子滤波器的强度。与现有的基于相关滤波或粒子滤波的跟踪方法相比，该跟踪器具有许多优点。首先，通过弱KCF跟踪器在大范围搜索范围内检测跟踪目标，并评估弱跟踪器\rq判决的可靠性，从而使高斯粒子滤波器做出强判决，从而能够处理快速运动、外观变化、遮挡和重检测等问题。其次，它可以通过高斯粒子滤波器有效地处理大规模变化。第三，它可以服从于完全并行实现使用重要性采样没有复位，从而它是方便的VLSI实现，可以降低计算成本。在包含50个具有挑战性的序列的OTB-2013数据集上进行的大量实验表明，所提出的算法对16个最先进的跟踪器表现良好。
2018-03-03 cs.CV
Learning Support Correlation Filters for Visual Tracking
在基于支持向量机（SVM）的跟踪算法中，训练样本的采样和预算是两个必不可少的因素，需要在精度和效率之间进行权衡。近年来，通过对平移图像块进行密集采样而形成的循环矩阵已被用于相关滤波器中以实现快速跟踪。在本文中，我们推导了一个等价的SVM模型与循环矩阵表达式，并提出了一个有效的交替优化方法的视觉跟踪。我们将离散傅立叶变换与建议的交替优化过程，并提出了跟踪问题作为一个迭代学习的支持相关滤波器（SCF），找到具有实时性能的全局最优解。对于一个给定的循环数据矩阵，具有n^2个样本的大小为n*n，所提出的算法的计算复杂性为O（n^2*logn），而标准的基于SVM的方法的计算复杂性至少为O（n^4）。此外，我们扩展的SCF为基础的跟踪算法与多通道功能，核函数和规模自适应的方法，以进一步提高跟踪性能。在大型基准数据集上的实验结果表明，所提出的基于SCF的算法在准确性和速度方面优于现有的跟踪方法。
2016-01-22 cs.CV
Robust video object tracking using particle filter with likelihood based feature fusion and adaptive template updating
Nanjing University（南京大学）
针对复杂视频场景中的目标跟踪问题，提出了一种鲁棒的算法解决方案。在这种解决方案中，引导粒子滤波器（PF）初始化的对象检测器，模型的视频信号的时间演变的背景下，自适应高斯混合。对象的运动由马尔可夫模型表示，该模型定义了状态转移先验。采用颜色和纹理特征表示目标，提出了一种基于边缘似然的特征融合方法。相应的目标模板模型更新程序的开发，以考虑在跟踪过程中的对象的可能的规模变化。实验结果表明，我们的算法击败了现有的几个替代方案，在解决具有挑战性的情况下，视频跟踪任务。
2015-09-28 cs.CV
Deep Convolutional Correlation Iterative Particle Filter for Visual Tracking
Marquette University（马凯特大学）；University of Florida（佛罗里达大学）
本文提出了一种基于迭代粒子滤波器、深度卷积神经网络和相关滤波器的视觉跟踪新框架。迭代粒子滤波器使粒子能够自我校正并收敛到正确的目标位置。我们采用了一种新的策略，通过应用K-均值聚类来评估迭代后粒子的可能性。我们的方法确保了对后验分布的一致支持。因此，我们不需要在每一个视频帧执行重采样，提高了先验分布信息的利用率。在两个不同的基准数据集上的实验结果表明，我们的跟踪器对最先进的方法表现良好。
2023-01-03 cs.CV
Beyond Kalman Filters: Deep Learning-Based Filters for Improved Object Tracking
University of Belgrade（贝尔格莱德大学）
针对卡尔曼滤波器在非线性运动跟踪中的局限，提出两种数据驱动滤波方法并结合多种神经网络运动模型，新跟踪器在DanceTrack和SportsMOT等数据集上显著优于传统SORT等方法。
2024-02-15 cs.CV
Joint Group Feature Selection and Discriminative Filter Learning for Robust Visual Object Tracking
Jiangnan University（江南大学）；University of Surrey（萨里大学）
提出了一种新的基于判别相关滤波器（GFS-DCF）的组特征选择方法。所提出的方法的关键创新是跨通道和空间维度执行组特征选择，从而查明多通道特征与过滤系统的结构相关性。与广泛使用的空间正则化或特征选择方法相比，据我们所知，这是第一次提倡将通道选择用于基于DCF的跟踪。我们证明，我们的GFS-DCF方法是能够显着提高的DCF跟踪器配备了深神经网络功能的性能。此外，我们的GFS-DCF实现了联合特征选择和滤波器学习，实现了学习滤波器的增强的鉴别力和可解释性。为了进一步提高性能，我们自适应地整合历史信息，通过约束滤波器在时间帧上平滑，使用有效的低秩近似。通过设计，在跟踪过程中动态地学习特定的时间-空间-信道配置，突出相关特征，并且减轻较少区分性表示的性能降低影响并减少信息冗余。在OTB 2013、OTB 2015、VOT 2017、VOT 2018和TrackingNet上获得的实验结果证明了我们的GFS-DCF的优点及其优于最先进的跟踪器。该代码可在https://github.com/XU-TIANYANG/GFS-DCF上公开获取。
2019-08-02 cs.CV
Extended Object Tracking Using Sets Of Trajectories with a PHD Filter
SafeRadar Research Sweden（瑞典SafeRadar研究院）；Chalmers University of Technology（查尔姆斯理工大学）
PHD滤波是一种常见且有效的多目标跟踪（MOT）算法，用于对象数量及其状态未知的场景。在每个对象每次扫描可以生成多个测量结果的情况下，一些PHD滤波器可以估计对象的范围以及它们的运动学特性。然而，这些方法中的大多数不能固有地估计轨迹，并且依赖于诸如不同标记方案的自组织方法来从状态估计构建轨迹。本文提出了一种Gamma高斯逆Wishart混合PHD滤波器，可以直接估计扩展目标的轨迹集，通过扩展以前的研究跟踪点源对象的轨迹集处理扩展对象。新的过滤器相比，现有的扩展PHD过滤器，使用标签计划来建立轨迹，它表明，新的过滤器可以更可靠地估计对象的轨迹。
2021-09-02 cs.CV stat.AP
Sparse Regularized Correlation Filter for UAV Object Tracking with adaptive Contextual Learning and Keyfilter Selection
Shanxi University（山西大学）
近年来，相关滤波器由于其高帧速率、鲁棒性和低计算资源等优点，在无人机跟踪中得到了广泛的应用。然而，由于边界效应和滤波器损坏这两个固有缺陷，它是脆弱的。一些方法通过扩大搜索区域来减轻边界效应，但引入了不希望的背景干扰。另一种方法可以通过引入时间正则化器来减轻学习滤波器的时间退化，这取决于连续帧之间的滤波器应该是相干的假设。事实上，有时第（$t-1$）帧处的滤波器易受来自背景的严重遮挡的影响，这导致假设不成立。为了处理这些问题，在这项工作中，我们提出了一种新的$\ell_{1}$正则化相关滤波器与自适应上下文学习和关键滤波器选择无人机跟踪。首先，我们自适应地检测有效的上下文干扰的位置，通过使用先前的相关滤波器模型产生的当前帧的响应图上的局部最大值的分布的援助。接下来，我们消除了不一致的标签跟踪目标删除一个干扰，并制定一个新的评分方案，每个干扰。然后，我们可以从过滤器池中选择关键过滤器，通过寻找当前帧的目标和过滤器池中每个过滤器对应的目标模板之间的最大相似度。最后，在三个权威的无人机数据集上进行了定量和定性实验，实验结果表明该方法优于现有的基于相关滤波框架的跟踪方法。
2022-10-13 cs.CV
Depth-Based Object Tracking Using a Robust Gaussian Filter
Max-Planck-Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Southern California（南加利福尼亚大学）
我们考虑的问题，基于模型的3D跟踪对象的密集的深度图像作为输入。两个困难排除了标准高斯滤波器的应用程序，这个问题。首先，深度传感器的特征在于厚尾测量噪声。为了解决这个问题，我们展示了如何最近发表的高斯滤波器的鲁棒化方法可以应用到手头的问题。因此，我们避免使用启发式离群值检测方法，简单地拒绝测量，如果他们不匹配的模型。其次，由于高维测量，即深度图像，标准高斯滤波器的计算成本过高。为了解决这个问题，我们提出了一个近似，以减少滤波器的计算复杂性。在对真实数据的定量实验中，我们展示了我们的方法如何明显优于标准高斯滤波器。此外，我们将其性能与基于粒子滤波器的跟踪方法进行比较，并观察到可比的计算效率和改进的估计精度和平滑度。
2016-02-19 cs.CV cs.RO
Integrating Boundary and Center Correlation Filters for Visual Tracking with Aspect Ratio Variation
Harbin Institute of Technology（哈尔滨工业大学）；Dalian University of Technology（大连理工大学）；The Hong Kong Polytechnic University（香港理工大学）；University of California, Merced（加州大学默塞德分校）
纵横比变化是视觉跟踪中经常出现的问题，对跟踪性能有很大的影响。虽然许多相关滤波器（CF）为基础的跟踪器也被建议为规模自适应跟踪，很少有研究已经给出了处理纵横比的CF跟踪器的变化。在本文中，我们首次尝试通过引入一系列1D边界CF来定位视频中的左，右，顶部和底部边界来解决这个问题。这使得我们能够在跟踪过程中灵活地应对纵横比的变化。具体来说，我们提出了一种新的跟踪模型，集成1D边界和2D中心CF（IBCCF），其中边界和中心过滤器是由一个近正交正则化项。为了优化我们的IBCCF模型，我们开发了一个交替方向的乘数方法。在多个数据集上的实验表明，IBCCF可以有效地处理长宽比的变化，并在准确性和鲁棒性方面达到最先进的性能。
2017-10-05 cs.CV
Recurrent Filter Learning for Visual Tracking
City University of Hong Kong（香港城市大学）
最近，由于卷积神经网络（CNN）对图像的鲁棒特征表示，它在视觉跟踪中得到了广泛的应用。最近的方法通过使用随机梯度下降（SGD）反向传播将预训练的CNN模型微调到特定目标对象来执行在线跟踪，这通常是耗时的。本文提出了一种用于视觉跟踪的递归滤波器生成方法。我们直接将目标的图像块馈送到递归神经网络（RNN），以估计用于跟踪的特定于对象的过滤器。由于视频序列是时空数据，我们将RNN的全连接层的矩阵乘法扩展为特征图上的卷积运算，这保留了目标的空间结构，并且具有内存效率。后续帧中的跟踪对象将被馈送到RNN中，以使生成的滤波器适应目标的外观变化。请注意，一旦我们的网络的离线训练过程完成，就不需要针对特定对象对网络进行微调，这使得我们的方法比使用迭代微调来在线学习目标的方法更有效。广泛使用的基准，OTB和VOT进行了大量的实验，表现出令人鼓舞的结果相比，最近的其他方法。
2017-08-13 cs.CV
Object Tracking in Hyperspectral Videos with Convolutional Features and Kernelized Correlation Filter
Xidian University（西安电子科技大学）；Griffith University（格里菲斯大学）；Zhejiang University（浙江大学）
高光谱视频中的目标跟踪是一个新的研究课题。提出了一种基于卷积网络和核相关滤波器（KCF）框架的高光谱视频目标跟踪方法。我们从目标区域提取一组归一化的三维立方体作为固定卷积滤波器，其中包含目标周围的光谱信息。通过卷积运算生成的特征图被组合以形成对象的三维表示，从而提供局部谱空间信息的有效编码。我们证明了一个简单的双层卷积网络足以学习鲁棒的表示，而不需要使用大型数据集进行离线训练。在跟踪阶段，采用KCF算法区分目标和周围环境。实验结果表明，该方法在样本高光谱视频上表现良好，在同一场景中的灰度和彩色视频上的性能优于几种最先进的方法。
2018-10-28 cs.CV
Online Visual Multi-Object Tracking via Labeled Random Finite Set Filtering
本文提出了一种在线视觉多目标跟踪算法，使用自顶向下的贝叶斯公式，无缝集成状态估计，跟踪管理，杂波抑制，遮挡和误检测处理到一个单一的递归。这是通过将多目标状态建模为标记的随机有限集并使用贝叶斯递归来及时向前传播多目标滤波密度来实现的。所提出的过滤器更新轨道与检测，但切换到图像数据时发生误检测，从而利用检测数据的效率和图像数据的准确性。此外，标记的随机有限集框架使得能够结合先验知识，即在场景中间发生的长轨迹的误检测可能是由于遮挡。这样的先验知识可以被利用来改善遮挡处理，特别是长遮挡，其可以导致在线多目标跟踪中的过早跟踪终止。跟踪性能进行比较，以国家的最先进的算法在著名的基准视频数据集。
2017-08-04 cs.CV
Learning Spatially Regularized Correlation Filters for Visual Tracking
Computer Vision Laboratory, Linköping University（林雪平大学计算机视觉实验室）
鲁棒、准确的视觉跟踪是计算机视觉中最具挑战性的问题之一。由于训练数据的固有缺乏，用于构建目标外观模型的鲁棒方法是至关重要的。最近，判别学习相关滤波器（DCF）已成功地应用于解决这个问题的跟踪。这些方法利用训练样本的周期性假设来有效地学习目标邻域中所有块的分类器。然而，周期性假设也引入了不必要的边界效应，这严重降低了跟踪模型的质量。我们提出了空间正则化判别相关滤波器（SRDCF）的跟踪。在学习中引入空间正则化组件以根据相关滤波器系数的空间位置来惩罚相关滤波器系数。我们的SRDCF公式允许相关滤波器在一组显著更大的负训练样本上学习，而不会破坏正样本。我们进一步提出了一个优化策略，基于迭代高斯-赛德尔方法，有效的在线学习我们的SRDCF。实验在四个基准数据集上进行：OTB-2013，ALOV++，OTB-2015和VOT 2014。我们的方法在所有四个数据集上都取得了最先进的结果。在OTB-2013和OTB-2015上，与现有最好的跟踪器相比，我们在平均重叠精度方面分别获得了8.0%和8.2%的绝对增益。
2016-08-19 cs.CV
ROI Pooled Correlation Filters for Visual Tracking
Dalian University of Technology（大连理工大学）；Tencent Youtu Lab（腾讯优图实验室）；Naval Aviation University（海军航空大学）；Peng Cheng Laboratory（鹏城实验室）
基于ROI（感兴趣区域）的池化方法对各种样本的裁剪ROI区域执行池化操作，并且在目标检测方法中显示出巨大的成功。该算法在保持定位精度的同时压缩了模型的尺寸，在视觉跟踪领域有很好的应用前景。基于ROI的池化操作虽然有效，但在相关滤波器公式中尚未考虑。本文提出了一种新的用于鲁棒视觉跟踪的ROI池相关滤波器（RPCF）算法。通过数学推导，我们表明，基于ROI的池化可以等效地通过对学习的滤波器权重施加额外的约束来实现，这使得基于ROI的池化在虚拟圆形样本上是可行的。此外，我们开发了一个有效的联合训练公式的相关滤波算法，并推导出有效的模型训练的傅立叶求解器。最后，我们在OTB-2013，OTB-2015和VOT-2017基准数据集上评估了我们的RPCF跟踪器。实验结果表明，我们的跟踪器表现良好，对其他国家的最先进的跟踪器。
2019-11-05 cs.CV
A New Adaptive Noise Covariance Matrices Estimation and Filtering Method: Application to Multi-Object Tracking
Hefei Institutes of Physical Science, Chinese Academy of Sciences（中国科学院合肥物质科学研究院）；University of Science and Technology of China（中国科学技术大学）
卡尔曼滤波器广泛用于目标跟踪，其中过程和测量噪声通常被认为是精确已知的且恒定的。然而，确切的已知和恒定的假设并不总是在实践中成立。例如，当激光雷达用于跟踪非合作目标时，测量噪声在不同的距离和天气条件下是不同的。此外，过程噪声随着对象的运动状态而变化，特别是当跟踪对象是行人时，并且过程噪声更频繁地变化。本文提出了一种新的估计-标定-校正闭环估计方法，在线估计卡尔曼滤波器过程和测量噪声协方差矩阵。首先，将噪声协方差矩阵分解为元素分布矩阵和噪声强度，并改进Sage滤波器来估计元素分布矩阵。其次，我们提出了一种校准方法，以准确地诊断噪声强度偏差。然后，我们提出了一个正确的方法，自适应校正的噪声强度在线。第三，在系统可检测的假设下，证明了该方法的无偏性和收敛性。仿真结果证明了该方法的有效性和可靠性。最后，我们将所提出的方法应用于激光雷达的多目标跟踪，并在官方KITTI服务器上进行了评估。在KITTI行人多目标跟踪排行榜（http：//www.example.com/kitti/eval_tracking.php）上的实验结果优于现有的激光雷达跟踪方法，证明了该方法在实际应用中的可行性。www.cvlibs.net/datasets为提高卡尔曼滤波器的性能和多目标跟踪提供了一种新的方法。
2021-12-20 cs.CV
Convolutional Recurrent Predictor: Implicit Representation for Multi-target Filtering and Tracking
Cortexica Vision Systems Ltd.（科蒂西卡视觉系统有限公司）；Mesirow Financial（梅斯罗金融公司）；AnyVision（安尼维逊）
定义多目标运动模型是跟踪算法的重要步骤，具有很大的挑战性。使用固定模型（如在几种生成贝叶斯算法中，例如卡尔曼滤波器）可能无法准确预测复杂的目标运动。另一方面，运动模型的顺序学习（例如，使用递归神经网络）可能由于目标的可变未知数量而在计算上复杂且困难。在本文中，我们提出了一种多目标滤波和跟踪算法，学习的运动模型，同时为所有的目标，从一个隐式表示的状态图，并进行时空数据预测。为此，多目标状态是在一个连续的假设目标空间建模，使用随机有限集和高斯混合概率假设密度公式。使用具有长短期记忆架构的深度卷积递归神经网络递归地执行预测步骤，该深度卷积递归神经网络在“概率密度差”图上被训练为回归块。我们的方法在广泛使用的行人跟踪基准上进行了评估，显著优于最先进的多目标滤波算法，同时与其他跟踪方法相比，具有竞争力的结果：该方法在MOT 15和MOT 16/17数据集上分别产生平均40.40和62.29个最优子模式分配（OSPA）错误，同时产生62.0%，当使用公开可用的检测器时，MOT 16/17，PNNL停车场和PETS 09行人跟踪数据集的多目标跟踪准确率（MOTA）分别为70.0%和66.9%。
2019-07-28 cs.CV
Learning Background-Aware Correlation Filters for Visual Tracking
Carnegie Mellon University（卡内基梅隆大学）；Queensland University of Technology（昆士兰科技大学）
相关滤波器（CF）最近表现出优异的性能，在快速跟踪具有挑战性的光度和几何变化的对象。该方法的优势在于它能够有效地学习-“动态”-对象如何随时间变化。然而，CF的一个根本缺点是，对象的背景不随时间而被建模，这可能导致次优结果。在本文中，我们提出了一个背景感知CF，可以模拟如何随着时间的推移，前景和背景的对象变化。与传统CF一样，我们的方法在计算上非常高效-并且与最先进的跟踪器（包括基于深度学习范式的跟踪器）相比，多个跟踪基准的广泛实验证明了我们方法的卓越准确性和实时性能。
2017-03-21 cs.CV
Beyond Correlation Filters: Learning Continuous Convolution Operators for Visual Tracking
Linköping University（林雪平大学）
判别相关滤波器（DCF）在视觉目标跟踪中表现出了优异的性能。他们成功的关键是能够通过包括训练样本的所有转换版本来有效地利用可用的负面数据。然而，底层的DCF公式仅限于单分辨率特征图，大大限制了其潜力。在本文中，我们超越了传统的DCF框架，并介绍了一种新的配方训练连续卷积滤波器。我们采用了一个隐式插值模型，提出了在连续空间域的学习问题。我们提出的公式可以有效集成多分辨率深度特征图，从而在三个对象跟踪基准上获得优异的结果：OTB-2015（平均OP为+5.1%），Temple-Color（平均OP为+4.6%）和VOT 2015（故障率相对降低20%）。此外，我们的方法是能够亚像素定位，准确的特征点跟踪的任务至关重要。我们还证明了我们的学习配方在广泛的特征点跟踪实验的有效性。代码和补充材料可在http://www.cvl.isy.liu.se/research/objrec/visualtracking/conttrack/index.html上获得。
2016-08-29 cs.CV
3D Multi-Object Tracking Employing MS-GLMB Filter for Autonomous Driving
GIST（光州科学技术院）；University of Regina（里贾纳大学）；Korea Institute of Science and Technology Information (KISTI)（韩国科学技术信息研究院）
本文提出将LiDAR集成到MS-GLMB框架中，并设计新的LiDAR及多相机-LiDAR测量模型，在无需相机视场重叠的情况下显著提升自动驾驶3D多目标跟踪性能。
2024-10-19 cs.CV
PaFiMoCS: Particle Filtered Modified-CS and Applications in Visual Tracking across Illumination Change
Iowa State University（爱荷华州立大学）；Carnegie Mellon University（卡内基梅隆大学）
我们研究的问题跟踪（因果关系估计）的时间序列的稀疏空间信号与变化的稀疏模式，以及其他未知的状态，从一个序列的非线性观测损坏（可能）非高斯噪声。在许多应用中，特别是在视觉跟踪中的那些应用中，未知状态可以被分成小维度部分（例如，全局运动）和空间信号（例如，照明或形状变形）。空间信号通常被很好地建模为在某些域中是稀疏的。对于长序列，其稀疏模式可以随时间变化，尽管变化通常很慢。为了解决上述问题，我们提出了一种新的解决方案，称为粒子过滤修改CS（PaFiMoCS）。PaFiMoCS的核心思想是对小维状态向量进行重要性采样，同时用慢稀疏模式变化约束的后验模式跟踪代替重要性采样来恢复稀疏空间信号。我们表明，在空间变化的光照变化的跟踪移动对象的问题是上述问题的一个例子，并解释如何设计PaFiMoCS为it.Experiments模拟数据以及在真实视频具有显着的光照变化证明了该算法的优越性相比，现有的粒子滤波跟踪算法。
2013-01-08 cs.CV
Visual Object Tracking with Discriminative Filters and Siamese Networks: A Survey and Outlook
Khalifa University of Science and Technology（哈利法科技大学）；ETH Zürich（苏黎世联邦理工学院）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Linköping University（林雪平大学）；Czech Technical University（捷克理工大学）
准确、鲁棒的视觉目标跟踪是计算机视觉中最具挑战性和最基本的问题之一。它需要估计图像序列中目标的轨迹，仅给定其初始位置，并分割，或以限界框的形式粗略近似。判别相关滤波器（DCF）和深度连体网络（SN）已经成为主要的跟踪范式，这导致了重大进展。随着视觉对象跟踪在过去十年中的快速发展，这项调查基于九个跟踪基准的结果，对90多个DCF和暹罗跟踪器进行了系统和全面的审查。首先，我们提出了DCF和暹罗跟踪核心配方的背景理论。然后，我们区分和全面审查共享以及具体的开放式研究的挑战，在这两个跟踪范式。此外，我们深入分析了DCF和暹罗跟踪器在九个基准测试中的性能，涵盖了视觉跟踪的不同实验方面：数据集，评估指标，性能和速度比较。最后，我们根据我们的分析，为杰出的开放性挑战提出建议和意见。
2021-12-06 cs.CV
Learning Adaptive Discriminative Correlation Filters via Temporal Consistency Preserving Spatial Feature Selection for Robust Visual Tracking
Jiangnan University（江南大学）；University of Surrey（萨里大学）
有了有效的外观学习模型，判别相关滤波器（DCF）已被证明是非常成功的，在最近的视频对象跟踪基准和比赛。然而，现有的DCF范例存在两个主要问题，即，空间边界效应和时间滤波器退化。为了缓解这些挑战，我们提出了一种新的基于DCF的跟踪方法。该方法的主要创新点包括自适应的空间特征选择和时间一致性约束，使得新的跟踪器能够在低维判别流形上进行时空联合滤波学习。更具体地说，我们应用结构化的空间稀疏约束多通道过滤器。因此，学习空间滤波器的过程可以通过套索正则化来近似。为了鼓励时间一致性，过滤器模型被限制在其历史值周围，并在局部更新以保持流形中的全局结构。最后，提出了一个统一的优化框架，以联合选择时间一致性保持空间特征和学习鉴别过滤器与增强拉格朗日方法。已经对一些知名的基准数据集进行了定性和定量评估，如OTB 2013，OTB 50，OTB 100，Temple-Colour，UAV 123和VOT 2018。实验结果表明，所提出的方法的优越性比国家的最先进的方法。
2019-06-19 cs.CV
Online Multi-Object Tracking with Historical Appearance Matching and Scene Adaptive Detection Filtering
Gwangju Institute of Science and Technology（光州科学技术院）
在本文中，我们提出的方法来处理多目标跟踪过程中的时间误差。当对象被遮挡或噪声检测出现在对象附近时，会发生时间误差。在这些情况下，跟踪可能会失败，并发生漂移或ID切换等各种错误。仅利用运动和形状信息很难克服时间误差。因此，本文提出了历史外观匹配方法和两步训练的联合输入连体网络。该方法可以防止目标在被遮挡或最后匹配信息不可靠时的跟踪失败。我们还提供了有用的技术，以消除噪声检测有效地根据现场条件。跟踪性能，特别是身份一致性，大大提高了附加我们的方法。
2018-09-18 cs.CV
Multiple Object Tracking with Kernelized Correlation Filters in Urban Mixed Traffic
University of Electronic Science and Technology of China（电子科技大学）；Polytechnique Montréal（蒙特利尔理工学院）
最近，核相关滤波器跟踪器（KCF）在视觉对象跟踪方面取得了有竞争力的性能和鲁棒性。另一方面，视觉跟踪器通常不用于多对象跟踪。在本文中，我们研究了如何一个强大的视觉跟踪器，如KCF可以提高多目标跟踪。由于KCF是一个快速跟踪器，许多可以并行使用，仍然导致快速跟踪。我们建立了一个基于KCF和背景差分的多目标跟踪系统。背景减除被应用于提取运动对象，并结合KCF输出获得它们的尺度和大小，而KCF用于数据关联以及处理碎片和遮挡问题。因此，KCF和背景减法相互帮助，以采取跟踪决策在每一帧。有时KCF输出是最值得信赖的（例如在遮挡期间），而在某些其他情况下，它是背景减除输出。为了验证我们的系统的有效性，该算法被证明在四个城市的视频记录从一个标准的数据集。结果表明，我们的方法是有竞争力的国家的最先进的跟踪器，即使我们使用一个更简单的数据关联步骤。
2017-03-27 cs.CV
An Analysis of Kalman Filter based Object Tracking Methods for Fast-Moving Tiny Objects
McNeese State University（麦基内斯州立大学）；University of Louisiana at Lafayette（路易斯安那州立大学拉法叶分校）；Informatics Research Institute (IRI)（信息研究研究院）；Center for Advanced Computer Studies (CACS)（高级计算机研究中心）
本文评估了五种基于卡尔曼滤波的跟踪方法在快速运动微小物体上的性能，发现DeepOCSORT跟踪误差最低但所有方法均存在显著漂移，误差率比标准基准高3-4倍，表明现有方法需针对此类场景进行专门改进。
2025-09-22 cs.CV
Interaction-Aware Labeled Multi-Bernoulli Filter
RMIT University（皇家墨尔本理工大学）
实时跟踪多个目标是智能交通系统的重要组成部分。基于随机有限集（RFS）的滤波器是用于跟踪多个对象的新兴技术之一。在多目标跟踪（MOT）中，一个常见的假设是每个目标都独立于其周围环境而运动。但在许多现实世界的应用中，目标对象相互之间以及与环境相互作用。当考虑用于跟踪时，这样的交互通常由应用特定的交互式运动模型来建模。在本文中，我们提出了一种新的方法，将目标相互作用的预测步骤的基于RFS的多目标过滤器，即标记的多伯努利（LMB）过滤器。该方法已开发用于跟踪协调群体和车辆的两个实际应用。该方法已被测试为一个复杂的车辆跟踪数据集，并通过OSPA和OSPA $^{(2)}$指标与LMB滤波器进行了比较。结果表明，所提出的交互感知方法描绘了相当大的性能增强LMB滤波器在选定的指标。
2022-04-19 cs.CV eess.SP
A unified approach for multi-object triangulation, tracking and camera calibration
目标三角测量、三维目标跟踪、特征对应和摄像机标定是摄像机网络估计的关键问题。本文针对这些问题，在一个统一的贝叶斯框架内联合多目标跟踪和传感器注册。考虑到使用标准滤波方法用于来自相机的状态估计是有问题的，利用了被称为视差空间的替代参数化。的视差空间为基础的三角测量和对象跟踪的方法被证明是更有效的比非线性版本的卡尔曼滤波器和粒子滤波的非整流相机。特征对应的方法是基于概率假设密度（PHD）过滤器，因此继承了能力，更新没有明确的测量关联，启动新的目标，并区分目标和杂波。然后，PHD滤波方法形成来自静态或移动对象的相机校准方法的基础。结果显示在模拟数据上。
2014-10-09 cs.CV stat.ME
MeMoSORT: Memory-Assisted Filtering and Motion-Adaptive Association Metric for Multi-Person Tracking
针对多人跟踪中复杂运动与遮挡导致的滤波误差和身份切换问题，提出具有记忆辅助卡尔曼滤波和运动自适应IoU的MeMoSORT跟踪器，在DanceTrack和SportsMOT上实现SOTA性能。
2025-08-13 cs.CV
Coarse-to-Fine Object Tracking Using Deep Features and Correlation Filters
TELUQ University（加拿大远程大学（TELUQ大学））；University of Bahrain（巴林大学）
在过去的几年里，深度学习跟踪器取得了令人兴奋的成果，同时带来了解决跟踪问题的有趣想法。这一进展主要是由于使用了通过在大型图像数据库上训练深度卷积神经网络（CNN）获得的学习深度特征。但由于CNN最初是为图像分类开发的，因此其深层提供的外观建模可能不足以区分跟踪任务。事实上，这些特征表示高级信息，其与对象类别的相关性大于与对象的特定实例的相关性。基于这一观察结果，以及判别相关滤波器（DCF）可以提供互补的低级别信息的事实，我们提出了一种新的跟踪算法，利用这两种方法。我们制定的跟踪任务作为一个两阶段的程序。首先，我们利用深度特征的泛化能力来粗略估计目标平移，同时确保对外观变化的不变性。然后，我们利用相关滤波器的鉴别能力，精确定位跟踪对象。此外，我们设计了一个更新控制机制，学习外观变化，同时避免模型漂移。我们评估了所提出的跟踪对象跟踪基准。实验结果表明，我们的算法的鲁棒性，表现出良好的CNN和基于DCF的跟踪器。代码可在：https://github.com/AhmedZgaren/Coarse-to-fine-Tracker
2020-12-23 cs.CV
Convolutional Unscented Kalman Filter for Multi-Object Tracking with Outliers
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院）；State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与动力系统国家重点实验室）；Department of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人系）；College of Artificial Intelligence, Tsinghua University（清华大学人工智能学院）
针对多目标跟踪中离群点导致精度下降的问题，提出卷积无迹卡尔曼滤波器ConvUKF，通过卷积运算缓解测量模型误设，兼具实时性与鲁棒稳定性，在KITTI和nuScenes数据集上精度优于基线算法。
2024-09-15 cs.CV stat.AP
Learning Steerable Filters for Rotation Equivariant CNNs
University of Amsterdam（阿姆斯特丹大学）；University of Heidelberg（海德堡大学）
在许多机器学习任务中，期望模型的预测在其输入的变换下以等变方式变换。卷积神经网络（CNN）通过构造实现平移等变;然而，对于其他变换，它们被迫学习正确的映射。在这项工作中，我们开发了可控滤波CNN（SFCNN），通过设计实现平移和旋转下的联合等方差。所提出的架构采用可操纵滤波器来有效地计算许多方向的依赖于方向的响应，而不会遭受来自滤波器旋转的插值伪影。我们利用群卷积，保证一个等变映射。此外，我们推广他的权重初始化计划的过滤器被定义为一个系统的原子过滤器的线性组合。数值实验表明，随着采样滤波器方向数量的增加，样本复杂度大幅提高，并确认网络在方向上概括了学习模式。所提出的方法在旋转MNIST基准和ISBI 2012 2D EM分割挑战上达到了最先进的水平。
2018-03-19 cs.CV cs.LG
Fourier Series Expansion Based Filter Parametrization for Equivariant Convolutions
Peng Cheng Laboratory（鹏城实验室）
已经表明，等变卷积对于许多类型的计算机视觉任务是非常有帮助的。近年来，二维滤波器参数化技术在设计等变卷积时起着重要的作用。然而，目前的滤波器参数化方法仍有明显的缺陷，其中最关键的是滤波器表示的准确性问题。针对这个问题，本文修改了经典的二维滤波器的傅里叶级数展开，并提出了一组新的原子基函数的滤波器参数化。所提出的滤波器参数化方法不仅精细地表示2D滤波器，当滤波器不旋转时，具有零误差，而且当滤波器旋转时，基本上消除了栅栏效应引起的质量下降。因此，我们构造了一个新的等变卷积方法的基础上提出的滤波器参数化方法，命名为F-Conv。我们证明了所提出的F-Conv的等方差在连续域中是精确的，只有在离散化后才变得近似。大量的实验表明了该方法的优越性。特别地，我们将旋转等变卷积方法应用于图像超分辨率任务中，F-Conv在该任务中的性能明显优于先前基于滤波器参数化的方法，反映了其忠实地保持局部图像特征旋转对称性的内在能力。
2023-03-09 cs.CV
Equivariant Filter for High Performance Image Tracking using an Event Camera
Australian National University（澳大利亚国立大学）；School of Engineering（工程学院）
研究图像跟踪问题，提出用事件相机进行高性能跟踪的等变滤波器设计，利用AEB跟踪器提取测量值，经等变滤波器计算平移和旋转，含等效测量更新步骤，实验评估表明能为高速移动特征提供平滑跟踪。
2026-07-13 cs.CV
RotDCF: Decomposition of Convolutional Filters for Rotation-Equivariant Deep Networks
Duke University（杜克大学）
在深度特征中显式编码组动作使得卷积神经网络（CNN）能够处理图像的全局变形，这对于许多视觉任务的成功至关重要。本文提出了同时在空间和组几何结构上的联合可操纵基上分解卷积滤波器，即具有分解卷积滤波器的旋转等变CNN（RotDCF）。这种分解便于计算联合卷积，这被证明是必要的组等方差。它显着降低了模型的大小和计算复杂性，同时保持性能，和截断的基础扩展隐式正则化的过滤器。在涉及面内和面外对象旋转的数据集上，RotDCF深度特征比常规CNN表现出更强的鲁棒性和可解释性。的稳定性的等变表示输入变化的理论上也证明了一般假设下的过滤器的分解形式。RotDCF框架可以扩展到旋转以外的组，提供了一种通用的方法，可以在减小的模型大小下实现组等方差和表示稳定性。
2018-05-17 cs.CV cs.LG stat.ML
SE(3)-Equivariant and Noise-Invariant 3D Rigid Motion Tracking in Brain MRI
MIT（麻省理工学院）；Vanderbilt University（范德堡大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
提出EquiTrack混合框架，结合去噪器与SE(3)等变CNN解耦噪声处理和空间特征提取，并闭式估计刚性变换，在成人及胎儿脑MRI运动追踪中超越现有方法。
2024-06-12 cs.CV eess.IV
Adaptive aggregation of Monte Carlo augmented decomposed filters for efficient group-equivariant convolutional neural network
本文提出一种非参数共享方法，通过自适应聚合蒙特卡洛增强分解滤波器，提升群等变卷积神经网络的效率和性能。
2026-03-12 cs.CV
SpaER: Learning Spatio-temporal Equivariant Representations for Fetal Brain Motion Tracking
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；Northeastern University（东北大学）；Massachusetts Institute of Technology（麻省理工学院）；University of California Irvine（加州大学欧文分校）
本文提出SpaER方法，通过等变神经网络与自注意力机制学习时空表示，首次在无数据增强条件下实现胎儿脑部刚性运动的动态跟踪与校正。
2024-07-31 cs.CV eess.IV
Sparse Steerable Convolutions: An Efficient Learning of SE(3)-Equivariant Features for Estimation and Tracking of Object Poses in 3D Space
South China University of Technology（华南理工大学）；DexForce Co. Ltd.（DexForce有限公司）；Peng Cheng Laboratory（鹏城实验室）；SmartMore Technology Co. Ltd.（思谋科技有限公司）；Pazhou Laboratory（琶洲实验室）
作为SE（3）-等变深度特征学习的基本组成部分，可控卷积最近已经证明了其在3D语义分析中的优势。然而，这些优点是由密集的体积数据上的昂贵计算带来的，这阻止了其用于本质上稀疏的3D数据的有效处理的实际使用。在本文中，我们提出了一种新的设计稀疏可控卷积（SS-Conv），以解决这个缺点; SS-Conv大大加快了可控卷积与稀疏张量，同时严格保持SE（3）-等方差的属性。基于SS-Conv，我们提出了一种用于精确估计对象姿态的通用流水线，其中关键设计是一个充分利用SE（3）-等方差并能够进行有效姿态细化的转向模块。为了验证我们的设计，我们进行了彻底的实验上的三个任务的3D对象的语义分析，包括实例级的6D姿态估计，类别级的6D姿态和大小估计，和类别级的6D姿态跟踪。我们提出的基于SS-Conv的管道在三个任务评估的几乎所有指标上都优于现有方法。消融研究还显示了我们的SS-Conv在准确性和效率方面优于替代卷积。我们的代码在https://github.com/Gorilla-Lab-SCUT/SS-Conv上公开发布。
2021-11-14 cs.CV
Rotation-Scale Equivariant Steerable Filters
University of Southampton（南安普顿大学）
针对CNN在组织病理学图像分析中泛化受限问题，提出旋转-尺度等变可控滤波器（RSESF），结合可控滤波器与尺度空间理论，在连续层约束尺度参数跨越不相交尺度，实验表明该方法以更少参数和GPU资源超越其他方法。
2023-04-10 cs.CV
Robust Lane Tracking with Multi-mode Observation Model and Particle Filtering
Honda Research Institute, USA（本田研究所）；Adobe Research（Adobe研究院）
自动车道跟踪涉及从噪声信号观测序列中估计潜在信号。针对车道线跟踪和动态目标跟踪，已经提出了许多模型和方法。卡尔曼滤波器是一种广泛使用的方法，适用于线性高斯模型。但本文指出，卡尔曼滤波器并不适用于车道线跟踪，因为它的高斯观测模型不能忠实地表示所获得的观测值。我们建议使用一个新的多模式观测模型之上的粒子滤波器。实验表明，我们的方法产生优越的性能，传统的卡尔曼滤波器。
2017-06-28 cs.CV
Tensor field networks: Rotation- and translation-equivariant neural networks for 3D point clouds
Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Lab（劳伦斯伯克利国家实验室）；Google（谷歌）
我们介绍张量场神经网络，这是局部等变的3D旋转，平移和置换的点在每一层。3D旋转等方差消除了对数据增强的需要，以识别任意方向上的特征。我们的网络使用由球谐函数构建的滤波器;由于这种滤波器选择的数学后果，每一层都接受标量、向量和高阶张量作为输入（并保证作为输出），这些都是几何意义上的。我们展示了张量场网络在几何，物理和化学任务的能力。
2018-05-18 cs.AI cs.CV cs.LG
Scale-Equivariant UNet for Histopathology Image Segmentation
University of Southampton（南安普顿大学）
针对CNN在不同尺度组织病理学图像上泛化能力差的问题，提出基于尺度空间理论的尺度等变UNet（SEUNet），通过使用可训练的高斯基滤波器线性组合并约束其跨越不相交尺度，在核与组织分割任务上以更少参数优于现有方法。
2023-04-10 cs.CV
CNNs on Surfaces using Rotation-Equivariant Features
Delft University of Technology（代尔夫特理工大学）
本文关注的是几何深度学习中的一个基本问题，该问题出现在表面上的卷积神经网络的构造中。由于曲率，滤波器核在表面上的传输导致旋转模糊，这阻止了这些核在表面上的均匀对准。我们提出了一个网络架构的表面，由矢量值，旋转等变功能。当在卷积层中聚合特征时，等方差属性使得可以局部对齐在任意坐标系中计算的特征。生成的网络与曲面上切线空间的坐标系选择无关。我们实现我们的方法为三角形网格。基于圆调和函数，我们引入卷积滤波器的网格是旋转等变的离散水平。我们评估所产生的网络形状对应和形状分类任务，并比较其性能与其他方法。
2020-06-02 cs.CG cs.CV cs.LG
Multiple target tracking with interaction using an MCMC MRF Particle Filter
Universidade do Porto（波尔图大学）
本文提出并讨论了一种多目标跟踪方法的实现，该方法能够处理目标之间的相互作用，防止跟踪器因劫持而失效。所引用的方法使用马尔可夫链蒙特卡罗（MCMC）采样步骤来评估过滤器，并构造一个有效的建议密度来生成新的样本。该密度基于每个时间步生成的马尔可夫随机场（MRF）集成目标交互项。MRF对目标之间的相互作用进行建模，试图减少跟踪模糊性，而跟踪多个目标时，典型的粒子滤波器会遇到这种模糊性。在一个有限空间中，使用包含20只蚂蚁的662帧灰度图像序列对该方法和一组基于重要性采样的独立粒子滤波器进行了测试，并建立了性能比较.结果表明，使用MRF建模目标相互作用的实现方法成功地纠正了许多独立的，相互作用不知道，粒子滤波器的跟踪误差。
2021-11-25 cs.CV
