视觉物体跟踪汽车共享服务与在线更新

文摘

在本文中,我们解决问题的在线更新的视觉对象跟踪汽车共享服务。的关键思想是调整更新速率自适应地根据当前帧的跟踪性能。而不是设定一个固定重量的所有帧更新的对象模型,我们当前帧分配一个更大的重量,如果相应的跟踪结果相对准确和完整的,相反更小重量。来实现它,目前估计边界框的十字路口在联盟(借据)计算一个借据预测离线训练在大量的图像对和用作指导调整更新权重在线。最后,我们将提出的模型更新策略一个轻量级的基线跟踪。实验结果对交通和nontraffic数据集验证虽然预测借据的误差是不可避免的,该方法仍然可以提高目标跟踪的准确性与基线相比对象追踪。

1。介绍

汽车共享服务提供客户访问共享车辆为短期使用。旅行成本,他们可以减少城市交通拥堵,环境污染,近年来发展迅速。达到更好的安全性和运行效率,越来越多的智能车辆技术已用于汽车共享服务(1,2]。视觉物体跟踪他们的一个基本组成部分,由给定对象的初始位置在第一帧的位置可以在后续帧估计不断。此外,可同时计算对象的轨迹和速度的跟踪结果,用于增强或共享汽车的自动驾驶。与雷达跟踪相比,视觉跟踪技术是便宜,能感知更丰富的语义信息的交通场景。然而,它的缺点是存在一些因素,如照明的实时变化,天气条件和交通元素通常可以降低对象之间的交互跟踪性能在复杂交通场景。因此,仍有巨大的发展空间视觉物体跟踪汽车共享服务。

一个典型的视觉对象跟踪方法包括五部分,即特征提取,运动模型,外观模型,模型更新和一体化进程(3]。大多数研究集中在特征提取和外观模型。特性用于对象跟踪包括工艺品的功能,如颜色,猪,枸杞多糖,CN和autolearned卷积特性。生成的主要外观模型可以分类和判别并得到关注。相比之下,模型更新组件研究更少。大多数对象追踪器使用最简单的线性加权模型更新,得到一个新的外观模型的权重旧和当前帧的跟踪结果。这种方法的缺点是,当前帧的重量系数设置不变,也没有与当前帧的跟踪性能在更新过程中。事实上,如果当前帧的跟踪结果可靠,对象不是阻挡,小重量系数的电流跟踪的结果可能会导致外观模型不能充分更新。相反,如果当前帧的跟踪结果是不准确的或对象是闭塞的,一个大的重量系数电流跟踪结果更新不当可能会导致外观模型。在这两种情况下,可能会引入一些错误外观模型,以及更新,错误可能积累,使疏远的外观模型对象。 From the above analysis, we can find that it is necessary to assign a suitable weight factor according to the evaluation of current tracking performance. Nonetheless, how to update the tracking model online based on the analysis of current tracking performance is still an open problem. This study tries to bridge this research gap, and the main contributions are follows:(1)引入一个特定对象借据预测在大量的离线训练图像对估计当前的性能跟踪结果对象模型更新。(2)提出一种基于借据预测动态更新机制。更新原则分配当前跟踪的结果更大重量如果是相对准确和完整的,相反更小重量。(3)借据预测集成到一个轻量级相关滤波器跟踪和更新跟踪在线使用提出的更新机制。

本文的组织结构如下:部分2提供了一个扫描相关的工作。部分3介绍了借据基线对象跟踪和预测用于计算机视觉和提出我们的视觉对象跟踪和在线更新。部分4给出了实验结果和相应的分析。最后,部分5给出了结论和未来的研究方向。

2。相关工作

正如上面提到的,现有的视觉对象跟踪方法可以分为两类:生成的判别。在生成方法,外观模型只包含对象的信息和对象跟踪是通过寻找最佳匹配的最佳候选区域外观模型。模板跟踪是最早的生成跟踪方法,该方法将原始对象的空间强度分布地区作为模板,通过模板匹配跟踪对象。针对不足引起的漂移问题的模板更新跟踪,马修斯et al。4)保持第一个模板,用它来调整当前的模板,最后在一定程度上减少了可能的漂移现象。另一个经典生成跟踪方法,意味着转变方法(5)需要对象的内核在第一帧直方图的外观模型,采用指标来源于Bhattacharyya系数作为相似性度量执行匹配。在整个跟踪过程,外观模型保持不变。动态更新外观模型,彭et al。6)采用卡尔曼滤波器过滤内核直方图使用以前的外观模型和当前候选区域。修改方法可以部分跟上变化的对象出现,但隐藏的假设对象外观服从高斯分布可能不包含在许多实际情况。除了强度模板和内核直方图,低维线性子空间也是一个生成外观模型,首先引入对象跟踪由海格和Belhumeur [7处理对象的外观的变化由光照引起的。更新线性自适应子空间模型,罗斯et al。8)提出了一个基于增量学习跟踪方法。它收集了对象位置在前一帧和使用增量更新线性PCA子空间模型。通过更新操作,子空间线性模型可以适应对象的变化出现更多。

不同于生成对象跟踪方法,不仅判别方法考虑的对象的信息,但也背景的信息跟踪。他们把对象跟踪二元分类问题,分类器训练对象从背景中分离,并吸引了更多的关注,他们的力量来处理复杂的环境下的对象。大多数传统tracking-by-detection方法训练他们的二元分类器在线更新外观模型,和更新过程总是有两个步骤:(i)的生成和标签样本的基础上估计对象的位置在前一帧和(2)的在线更新分类器(9]。然而,生成的样本的标签往往吵了。提高分类器的鲁棒性差标签样品,等改进鲁棒损失函数(10,11],semisupervised学习[12,13),和多实例学习(14,15提出了。

深度学习的快速发展,现代视觉物体追踪器等相关filtering-based追踪器和暹罗追踪器通常使用深特性来构建他们的外观模型,和相应的模型更新机制也被研究过。MOSSE过滤器(16]第一相关filtering-based追踪更新的对象模型权重当前估计线性对象地区和以前的对象模型,和线性加权法也用于许多其他相关filtering-based追踪器(17- - - - - -20.]。暹罗跟踪器是另一种现代对象跟踪,其基本原理是学习一个相似性度量离线和在线搜索最优候选区域对象的外观最匹配的模板。SiamFC是原始暹罗追踪,在第一帧初始化对象模板,然后保持固定在剩下的视频(21]。大多数暹罗追踪器(22- - - - - -24)实现相同的模型更新策略的MOSSE,还有两个问题在这些追踪器的更新。首先,当前帧的重量因素设置固定的,不能改变自适应的更新过程。第二,只有更新对象信息,背景信息的更新将被忽略。针对第二个限制,黄等。25)之间的上下文建模对象及其周围的对象清楚权向量,把时空背景更新过程中考虑。除了上述之外,还有一些上优于模型更新方法。初始模板,模板,积累和当前帧的模板作为输入,Zhang et al。26)利用卷积神经网络学习的最佳模板下一帧以离线的方式。李等人。27)学习metalearning RNN-based模型更新器离线视频。一般来说,要使学习机制适应任意目标,大量的样品用不同的外观变化需要这些上优于模型更新方法。

考虑对象模型更新的反馈跟踪结果,王et al。28使用地图的响应的峰值和平均peak-to-correlation能源(APCE)来测量电流跟踪结果的信心。对象模型只是更新如果这些索引大于一定的阈值,如果不保持不变。类似于上面的方法,太阳et al。29日)计算peak-to-sidelobe比(PSR)响应映射到评估每一帧的跟踪结果质量和用它来更新模板暹罗的追踪。此外,朱et al。30.)把peak-versus-noise比(内线)作为评价指标。当内线和响应的最大价值地图同时超过一定的阈值,一步随机梯度下降法与一个小学习速率被用来更新对象模型。

总之,大多数现代对象追踪更新他们的外观模型没有考虑是否估计对象的位置是否准确。实际上,一旦对象估计不准确,严重堵塞,或者完全失踪在当前帧中,对象模型将被更新不当,影响将积累不断在整个跟踪。很少研究使用APCE, PSR或内线来测量电流跟踪结果的信心。这些规则的指标可以计算从响应地图很容易和迅速,但很多信息在计算原始图像是扔掉。因此,他们在跟踪性能的评估是有限的。不同于他们,在这篇文章中,我们介绍了一个基于数据的方法来评估性能的跟踪结果,并使用它作为一个指导在线更新对象模型。供读者参考,表1总结了一些主要用于以下符号及其对应的描述。

3所示。对象跟踪和在线更新的指导下借据

3.1。基本对象跟踪

传统使用的特性判别相关filtering-based对象跟踪方法是手工功能像猪,枸杞多糖,CN或卷积特性训练独立在其他视觉图像分类和目标检测等任务。分离特性的学习和相关跟踪的实现跟踪性能不是最优的。针对这个问题,王et al。20.]DCFNet提出这是一个端到端的轻量级网络结构学习同时卷积特性和执行相关跟踪过程。因其效率高和性能时,我们使用它的基本对象跟踪这项工作。

在DCFNet, 表示对象的卷积功能区域 ,在哪里卷积网络用于特征提取参数 。 是相关产品的理想反应生成的高斯函数和对象达到地区的中心。考虑到特征提取网络 ,所需的滤波器在时间可以通过最小化积累岭损失呢如下: 的参数 是表达的更新率的影响对象区域 , 提取特征的通道数量,是正则化系数。封闭的解优化问题的方程(1)可以制定在增量模式如下:

在这里,帽子表示离散傅里叶变换 , 代表的复共轭复数,表示阿达玛的产品。在测试过程中,特征的搜索区域提取的特征提取网络和表示 。最后,目标的最终位置估计通过搜索相关响应的最大值的地图如下:

特征提取的网络随机梯度下降法可以离线训练的最小化目标函数在一个数据集由大量的图片配对: 在哪里是地图所需的反应。相比传统的判别相关基于过滤器跟踪方法的特性和过滤器是学会了独立,DCFNet可以学到在一个端到端的时尚和获得更高的精度。此外,由于采用轻量级的网络体系结构,它还可以得到一个平衡速度和准确度之间实时跟踪和操作。这是我们选择它的原因为基础对象追踪。

3.2。借据的预测

借据的比率被定义为候选对象之间的交集区域区域和地面真理区域联盟区域。它评估的准确性候选区域相对于地面实况区域和在许多视觉任务是有用的。借据的预测是首先由IOU-Net实现(31日在目标检测中,每个IOU-Net训练了某个对象类独立但不适合其他类型的对象。然而,职业专用借据通用的视觉跟踪预测是毫无用处的,因为对象的类通常是未知的和任意的对象跟踪。预测各种对象的候选地区的借据在视觉跟踪,Danelljan et al。32)提出了一种新的借据预测可以预测任意对象的借据给只有一个参考图像modulation-based网络体系结构如图1。

如图1,借据预测网络有两个分支,它们以特定的卷积ResNet-18层为支柱。参考部门接受卷积特性 和对象的边界框注释在参考图像作为输入和输出调制矢量 。测试部门需要卷积特性 和估计的边界框在当前的测试图像作为输入和输出特性表示 。然后,功能表示估计对象的区域是调制系数向量通过channel-wise乘法。最后,借据的调制表示美联储预测模块由三个完全连接层。预测估计边界框的借据在当前的测试图像是由

3.3。在线更新基础对象的跟踪指导的借据

尽可能多的判别相关filtering-based对象追踪器,DCFNet增量模型更新机制如方程所示(2)。在更新过程中,参数表示当前的跟踪结果的影响从一开始就保持不变的跟踪,如下所示。

背后的假设方程(6),估计对象区域在不同的帧是同等重要的。很显然,在很多情况下它不保存。例如,如果对象是阻挡在时间 ,估计对象区域可能是不可靠的,它的重要性吗应该减少避免漂移模型。相反,如果最近帧对象的外观变化小,估计对象区域更可靠和它的重要性应该增加更新模型更充分。因此,它是必要的估计的可靠性估计对象区域并把它作为一个指导调整的重要性自适应如下:

事实上,跟踪性能的评价已经收到了一定的关注和被用于模型在视觉跟踪更新。在大多数现有的方法,跟踪结果的可靠性表示为统计指标,如APCE PSR的内线,等等。这些统计索引是手动定义和计算基于一个中间反应地图。评估,跟踪结果中包含的原始信息,如颜色,质地,和强度将被忽略。不同于他们,我们介绍了借据来测量跟踪结果的可靠性和使用它作为一个指导更新对象在线跟踪。如图2,原DCFNet补充借据预测构成一个新的追踪和两个网络的体系结构保持不变。

由于预测误差,很难和不必要的调整参数非常精确的基础上,预测借据。在我们的方法中,在方程(2)是由一个线性分段函数定义如下: 在哪里和借据的阈值和吗 , ,和模型更新率。

与手动定义统计指标如APCE, PSR,内线,预测借据估计对象之间的地区和地面真理位置从大量的样本。它可以适应不同的复杂交通场景和测量电流跟踪的可靠性结果更准确,因此有利于更新对象的外观模型。

4所示。实验

4.1。实验设置

跟踪验证的有效性提出了对象,我们首先进行广泛的实验挑战公共数据集包括otb - 2013(2日33)与50序列及其更新版本otb - 2015 (34与100年)序列。不失一般性,使用数据集包含交通和nontraffic场景。的硬件环境包括一个英特尔e5 - 2687 3.0 ghz CPU, 128 gb的RAM和英伟达1080 ti GPU。我们实现我们的目标追踪Pytorch和比较它与其他现代对象追踪器比如SRDCF [835),主食(36],SiamFC [21],CFNet [37],原DCFNet [20.),其3修改版本更新他们的对象模型使用APCE, PSR,分别和内线。

与原DCFNet公平的比较,该模型更新率在方程(7)被设置为0.01一样,在方程(2);与此同时,和将0.005和0.015。相关参数用于在DCFNet-APCE模型更新,DCFNet-PSR, DCFNet-PNR选择根据引用(28- - - - - -30.),分别。值得一提的是,该跟踪评估在6种不同条件下验证其鲁棒性hyperparameter选择。

4.2。实验结果

每个对象的跟踪性能跟踪估计一次通过的评价(开放)。图3显示了成功开放的情节提出跟踪条件下1和其他追踪otb - 2013和otb - 2015,和传说中的数字表明平均曲线下面积(AUC)分数的追踪器。更完整的定量对比我们的跟踪器在所有条件下和其他追踪表所示2。

除了上述实验otb - 2013和otb - 2015年,一群实验KITTI [38)这是一个视觉自主驾驶的基准也随后来证明该方法的可行性进行交通场景。部分实验结果如图4,查看方便,KITTI图像出现减少的视野。

4.3。实验分析

它可以从表中找到2该方法达到最高在所有条件下跟踪精度,因此具有一定程度的鲁棒性hyperparameter选择。以condition1下的结果为例,我们的方法跟踪精度的增加5% otb otb - 2015 - 2013和1%与原来的DCFNet相比。提出的改进验证动态更新机制引导的借据适应对象的变化的外观比原DCFNet使用的固定更新机制。此外,我们的方法也超过了DCFNets由APCE修改,PSR,分别和内线。原因是这些规则评价指标容易受响应的不规则性和噪声地图。相比之下,作为一个基于数据的评价指标,从大量的视频,我们的方法可以评估中使用的借据跟踪结果更实际。然而,跟踪速度下降的价格是80 fps 30 fps由于借据计算。

此外,实验结果如图4证明我们的跟踪方法和在线更新轨道交通参与者,可以保证汽车共享服务的运行效率和安全性。

5。结论和未来的工作

视觉物体跟踪器可以获得物体的轨迹,如行人和车辆在交通场景,使汽车共享服务更安全、有效。促进复杂交通场景的跟踪性能,有必要更新对象模型自适应,和准确评价当前的跟踪结果有利于更新对象的外观模型。而不是使用基于规则的各项指标,比如APCE PSR,内线,我们介绍了一个基于数据的借据预测学离线从大量的图像对跟踪结果进行评估。基于预测借据,对象模型的动态更新机制。在更新,如果预测的借据很高,一个更大的重量可能会分配给当前跟踪的结果和一个较小的重量相反。最后,我们将这种动态更新机制集成到DCFNet追踪。实验结果表明,与原始跟踪器相比,该跟踪器的跟踪精度提高了5% otb otb - 2015 - 2013和1%。更重要的是,跟踪也超过了修改DCFNet追踪更新他们的对象模型使用APCE, PSR,分别和内线。验证,基于数据的跟踪性能评价指标,借据可以作为更可靠的比基于规则的评价指标指导对象外观模型的在线更新和改善汽车共享服务的对象跟踪的准确性。

我们研究的限制,因为额外的计算由借据预测,跟踪速度从80 fps下降到30 fps。未来的研究可能包括骨干网络共享、搜索、网络结构和模型压缩的借据预测网络改善借据预测值的准确性和速度。

数据可用性

otb - 2013和otb - 2015数据集用于支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的部分金陵科技学院(没有的高级人才。jit - b - 202013),江苏的国际科技合作项目(没有。BZ2020069),博士的研究基金项目的金陵科技学院(没有。jit - b - 201617)和江苏省高校自然科学研究的主要项目(16 kja520003)。

引用

1. l . j . k . Lu Li, x, x,他和h,“广义哈尔基于过滤器对象检测汽车共享服务,“IEEE自动化科学与工程,15卷,不。4、1448 - 1458年,2018页。视图:出版商的网站|谷歌学术搜索
2. s . a . Shaheen m . a . Mallery和k·j·金斯利,“个人汽车共享服务在北美,”研究运输业务及管理,3卷,第81 - 71页,2012年。视图:出版商的网站|谷歌学术搜索
3. j . p . n . y . Wang, d . y .杨和j·贾,“理解和诊断视觉跟踪系统,”《IEEE计算机视觉国际会议,页3101 - 3109,圣地亚哥,智利,2015年12月。视图:谷歌学术搜索
4. l·马修斯,t .石川,美国贝克,“模板更新问题,”IEEE模式分析与机器智能,26卷,不。6,810 - 815年,2004页。视图:出版商的网站|谷歌学术搜索
5. d . Comaniciu诉拉梅什和p·米尔,“使用意味着变化,实时跟踪非刚性的对象”《IEEE计算机视觉与模式识别会议,页1 - 8,希尔顿头,SC,美国,2000年6月。视图:谷歌学术搜索
6. n . s .彭、j·杨和e .问:刘“模型均值漂移跟踪、更新机制”系统工程与电子技术》杂志上,16卷,不。1,52-57,2005页。视图:出版商的网站|谷歌学术搜索
7. g·d·海格和p . n . Belhumeur”实时跟踪的图像区域与几何和光照的变化,”《IEEE计算机学会学报计算机视觉与模式识别会议希尔顿海德,页403 - 410年,SC,美国,1996年6月。视图:谷歌学术搜索
8. d·a·罗斯,j . Lim R.-S。林,M.-H。杨”,强大的视觉跟踪增量学习,”国际计算机视觉杂志》上,卷77,不。1 - 3、125 - 141年,2008页。视图:出版商的网站|谷歌学术搜索
9. 兔子,s . Golodetz a Saffari et al .,”了:结构化输出跟踪与内核,“IEEE模式分析与机器智能,38卷,不。10日,2096 - 2109年,2016页。视图:出版商的网站|谷歌学术搜索
10. c·莱斯特那a . Saffari p·m·罗斯和h .女孩“鲁棒性的在线研究提高了竞争力,”《IEEE国际会议12日在计算机视觉工作室《京都议定书》,页1362 - 1369年,日本,2009年9月。视图:谷歌学术搜索
11. h . Masnadi-Shirazi诉马哈,n .塞·伐斯冈萨雷斯,他“健壮设计的分类器对于计算机视觉,”《IEEE计算机学会学报计算机视觉与模式识别会议,页779 - 786年,旧金山,美国,2010年6月。视图:出版商的网站|谷歌学术搜索
12. h . Grabner c·莱斯特那女孩和h,“Semi-supervised在线提高鲁棒跟踪,”欧洲计算机视觉的诉讼马赛,页234 - 247年,法国,2008年10月。视图:谷歌学术搜索
13. a . Saffari c·莱斯特那m高戴克,h .女孩“健壮的多视点提高先验,”欧洲计算机视觉的诉讼,页776 - 789,克里特岛,希腊,2010年9月。视图:谷歌学术搜索
14. b . Babenko m·h·杨,s . Belongie“健壮的对象与在线跟踪多个实例学习”,IEEE模式分析与机器智能,33卷,不。8,1619 - 1632年,2010页。视图:谷歌学术搜索
15. b . Zeisl c·莱斯特那a . Saffari h .女孩,“网上semi-supervised多实例提高,”《IEEE计算机学会学报计算机视觉与模式识别会议,页1879 - 1886年,旧金山,美国,2010年6月。视图:谷歌学术搜索
16. d . s . Bolme j·r·贝弗里奇b·a·德雷珀和y . m .他“视觉物体跟踪使用自适应相关过滤器,”《IEEE计算机学会学报计算机视觉与模式识别会议,页2544 - 2550年,旧金山,美国,2010年6月。视图:谷歌学术搜索
17. c . Ma j·b·黄x,和m·h·杨“分层卷积为视觉跟踪特性,”《IEEE计算机视觉国际会议,页3074 - 3082,圣地亚哥,智利,2015年12月。视图:谷歌学术搜索
18. a . Lukezic t . Vojir l . c . Zajc j .马特斯和m . Kristan“歧视与通道和空间相关滤波器的可靠性,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页6309 - 6318年,美国,2017年7月,你好。视图:谷歌学术搜索
19. m . Danelljan f·s .汗,m . Felsberg和j . van de Weijer“实时视觉跟踪自适应颜色属性,”《IEEE计算机视觉与模式识别会议哥伦布,页1090 - 1097年,哦,美国,2014年6月。视图:谷歌学术搜索
20. 问:王,j .高,j .兴m . Zhang和w·胡”DCFNet:判别相关过滤网络视觉跟踪,“2017年,https://arxiv.org/abs/1704.04057。视图:谷歌学术搜索
21. l . Bertinetto j . Valmadre j . f .戴安娜a . Vedaldi和p h . s .托“Fully-convolutional暹罗网络对象跟踪”欧洲计算机视觉865年,页850 -阿姆斯特丹,荷兰,2016年10月。视图:谷歌学术搜索
22. j . b . Li Yan, w . Wu朱z、x胡,“高性能视觉跟踪与暹罗地区建议网络”《IEEE计算机视觉与模式识别会议,页8971 - 8980,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
23. 问:小王,z腾,j .兴j .高,a . Vedaldi和p h·s·托,“学习注意事项:残余注意力暹罗高性能网络在线视觉跟踪,”《IEEE计算机视觉与模式识别会议,页4854 - 4863,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
24. z朱、王,李,w . Wu j .燕和w·胡”Distractor-aware暹罗网络视觉物体跟踪、”欧洲计算机视觉的诉讼,页101 - 117,德国慕尼黑,2018年9月。视图:谷歌学术搜索
25. 黄,t·徐z沈,江,b .赵和z扁,“SiamATL:在线更新暹罗跟踪网络通过学习注意力转移,”IEEE控制论,2021年,页1 - 14。视图:出版商的网站|谷歌学术搜索
26. l . c, a·加西亚j . Weijer m . Danelljan和f·s .汗,“学习暹罗的模型更新追踪器,”《IEEE计算机视觉国际会议,页4010 - 4019,首尔,韩国,2019年10月。视图:谷歌学术搜索
27. b . Li w·谢、w .曾和w·刘,“学习与复发性meta-learner更新对象跟踪,”IEEE图像处理,28卷,不。7,3624 - 3635年,2019页。视图:出版商的网站|谷歌学术搜索
28. 刘m . m . Wang y, z黄”大利润对象跟踪循环特征地图,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页4021 - 4029年,美国,2017年7月,你好。视图:谷歌学术搜索
29. z太阳,李问:d, l . Wang和j·f·吴“深度学习基础视觉物体追踪与模板更新”大学Politehnica布加勒斯特科学Bulletin-Series a这个,卷82,不。2、65 - 76年,2020页。视图:谷歌学术搜索
30. z朱,w .邹,黄g . d . Du和c .黄”与统一的卷积网络高性能视觉物体跟踪,”2019年,https://arxiv.org/abs/1908.09445。视图:谷歌学术搜索
31. b . r .江r . x罗j.y.毛,t·肖和江y,“准确的对象检测收购本地化的信心,”欧洲计算机视觉的诉讼,页784 - 799,德国慕尼黑,2018年9月。视图:谷歌学术搜索
32. m . Danelljan g . Bhat f·s .汗和m . Felsberg“原子:准确跟踪重叠最大化,”《IEEE / CVF计算机视觉与模式识别会议长滩,页4660 - 4669年,CA,美国,2019年6月。视图:谷歌学术搜索
33. j . y . Wu Lim, m·h·杨“在线对象跟踪:基准,”《IEEE计算机视觉与模式识别会议波特兰,页2411 - 2418,或者美国,2013年6月。视图:谷歌学术搜索
34. j . y . Wu Lim, M.-H。杨”,对象跟踪基准,“IEEE模式分析与机器智能,37卷,不。9日,第1848 - 1834页,2015年。视图:出版商的网站|谷歌学术搜索
35. m . Danelljan g·海格,f·s·汗和m . Felsberg”学习空间正规化相关性过滤器视觉跟踪”《IEEE计算机视觉国际会议,页4310 - 4318,圣地亚哥,智利,2015年12月。视图:谷歌学术搜索
36. j . Valmadre l . Bertinetto j .戴安娜a . Vedaldi和p h·s·托,“端到端表示学习基于相关滤波器跟踪”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页2805 - 2813年,美国,2017年7月,你好。视图:谷歌学术搜索
37. l . Bertinetto j . Valmadre s Golodetz o . Miksik和p h . s .托“主食:学习者实时跟踪的互补,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页1401 - 1409年,NV,美国,2016年6月。视图:谷歌学术搜索
38. 盖革,p .楞次和r . Urtasun自主驾驶,我们准备好了吗?在KITTI视觉基准套件。《IEEE计算机视觉与模式识别会议普罗维登斯,页3354 - 3361年,RI,美国,2012年6月。视图:谷歌学术搜索

版权

版权©2021周朱et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。