作者写道:

有幸在本届的VOT 2018 主赛中,我们的参赛方案Multi-solution Fusion for Visual Tracking(MFT)获得第一名的成绩,通过结果来看,MFT无论在公开序列还在隐藏序列鲁棒性都稳居第一,也验证了我们本次在算法鲁棒性所做出的努力,另外我们的RCO也获得了第三名的结果。

隐藏数据结果图

复现代码已经开源在https://github.com/ShuaiBai623/MFT

Visual-Object-Tracking Challenge (VOT) 是国际目标跟踪领域最权威的测评平台,由伯明翰大学、卢布尔雅那大学、布拉格捷克技术大学、奥地利科技学院联合创办,旨在评测在复杂场景下单目标跟踪的算法性能。本次新增了长时跟踪的挑战,而对于短时挑战,公开的60个序列不变,官方会对公开序列的前10名在隐藏数据集上测试,从而选出最终的winner。本次比赛更是达到了举办以来参与规模最大,范围最广的一届,来自于17个国家的72支参赛队伍参与了本次测评,其中不乏微软亚洲研究院、牛津大学等知名校企。

下面我对我们本次的工作做一个总结

Motivation:单目标跟踪算法发展到现在,对于简单情况已经有着非常不错的精度和鲁棒性,但是当遭遇一些特别困难的情况仍会时常失败.我们本次的工作主要在我们去年的算法CFWCR基础上进一步地发展,关注如何进一步地克服这些困难情况。

俗话说三个臭皮匠顶个诸葛亮,我们总体的思路是引入多个不同的独立判决,然后通过有效的融合得到一个更鲁棒的结果。这样做有三个好处,一方面分解成多个部分,各个部分的参数量减少,克服了相关滤波算法本身快速更新所导致的过拟合,另一方面每个部分学习到的关键信息不同,汇总各个结果总体增加了算法的可靠性,最后,我们还是使用之前相同数量的滤波器数量,相比较联合求解并不会增加数量。

具体内容如下:

(1)我们观察到CNN特征不同层次的特征和跟踪中遇到的不同问题有着一定的相关性,比如,浅层能解决尺度问题,深层解决光照,形变问题。针对不同特性,我们选择了不同的特征

(2)对于针对不同问题的特征,我们采用独立求解的方式,并且会根据视频的不同难度去自适应调整我们的融合权重,克服了过拟合,提高了鲁棒性

(3)更进一步地。我们利用合理的运动估计模型以克服甚至是完全遮挡的情况

代码略读:

run demo_MFT.m()

VOT

[VOT Intergration] ./vot2018_main/MFT.m change ./tracker_MFT.m tracker_repo_path = 'your MFT path'

code reading

demo-MFT.mline 9-> utils中的load_video_info.m

line14 -> runfiles/testing_MFT.m line143 -》implementation/tracker.m,运行的是哪个文件里的tracker函数?如何判断?(除了tracke.m外的缩进有些不对,在vscode里不是彩色?可能因为其他几个的后缀不是.m,是为了测试才写了好几个tracker)

tracker.m line78中调用了feature-extractor/init-features2.m,以获得features、global-fparams、feature-info

init-features2.m line96调用feature-extraction/load-cnn-drag.m以载入网络,line182调用feature-extraction/load-cnn.m载入网络

tracker.m line89调用implementation/initialization/init-feature-params.m

tracker.m line90调用feature-extraction/get-feature-extract-info.m

demo_MFT.m line21调用implementation/overlap_ratio.m返回的是参数r

SMOP可将matlab程序转换为python

misc:

为了能在ctrl alt f1能输入密码,输入了sudo gedit /etc/default/grub,并修改了11行

GRUB_CMDLINE_LINUX_DEFAULT="quiet splash"

为GRUB_CMDLINE_LINUX_DEFAULT="quiet splash pci=noaer"

sudo update-grub

但是并没有解决不能输入密码的问题。

另外一个网友说:

是因为系统的kernel版本过高,会有这个bug,所以在进入ubutnu的时候进行ubuntu高级选项,选择比较低的kernel版本,进入以后继续上面的流程,就不会出现这个问题了。

将系统的软件更新打开后解决了此问题。

Multi-hierarchical Independent Correlation Filters for Visual Tracking(MFT)略读的更多相关文章

  1. Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking---随笔

    Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking DCF跟踪算法因边界效应,鲁棒性较差.SRD ...

  2. correlation filters in object tracking

    http://www.cnblogs.com/hanhuili/p/4266990.html Correlation Filter in Visual Tracking系列一:Visual Objec ...

  3. Correlation Filter in Visual Tracking系列一:Visual Object Tracking using Adaptive Correlation Filters 论文笔记

    Visual Object Tracking using Adaptive Correlation Filters 一文发表于2010的CVPR上,是笔者所知的第一篇将correlation filt ...

  4. Correlation Filter in Visual Tracking

    涉及两篇论文:Visual Object Tracking using Adaptive Correlation Filters 和Fast Visual Tracking via Dense Spa ...

  5. Correlation Filter in Visual Tracking系列二:Fast Visual Tracking via Dense Spatio-Temporal Context Learning 论文笔记

    原文再续,书接一上回.话说上一次我们讲到了Correlation Filter类 tracker的老祖宗MOSSE,那么接下来就让我们看看如何对其进一步地优化改良.这次要谈的论文是我们国内Zhang ...

  6. Summary on Visual Tracking: Paper List, Benchmarks and Top Groups

    Summary on Visual Tracking: Paper List, Benchmarks and Top Groups 2018-07-26 10:32:15 This blog is c ...

  7. correlation filters in object tracking2

    http://www.cnblogs.com/hanhuili/p/4281077.html Correlation Filter in Visual Tracking系列二:Fast Visual ...

  8. 论文笔记之: Hierarchical Convolutional Features for Visual Tracking

    Hierarchical Convolutional Features for Visual Tracking  ICCV 2015 摘要:跟卢湖川的那个文章一样,本文也是利用深度学习各个 layer ...

  9. KCF:High-Speed Tracking with Kernelized Correlation Filters 的翻译与分析(一)。分享与转发请注明出处-作者:行于此路

    High-Speed Tracking with Kernelized Correlation Filters 的翻译与分析 基于核相关滤波器的高速目标跟踪方法,简称KCF 写在前面,之所以对这篇文章 ...

随机推荐

  1. react根据传参的不同动态注册不同的子组件

    上一篇文章介绍了关于Vue如何根据传参的不同动态注册不同的子组件,实现过程请查阅Vue.extend动态注册子组件,由Vue的这个功能我就自然联想到了使用react该如何实现同样的功能呢.其实,用re ...

  2. 转型IT学什么语言好,学编程语言为何要重视代码规范?

    造价转IT需要注意什么,先学什么比较好?属于零基础,2019毕业,三本学校,男.自己的想法是先以副业来学习,在合适的时候转入it行业.1.以副业来学的话应该先学习什么比较好?2.如果要直接找工作的话先 ...

  3. 云资源中的低成本战斗机——竞价实例,AWS、阿里云等六家云厂商完全用户使用指南

    云端资源价格 预留实例:长期持有,批发路线,价格最便宜. 按需实例:即买即用,零售路线,价格最贵. 这两种资源,基于不同区域/价格的六家云厂商价格对比,连同原始数据文档我们已经打包成了一份电子文档,有 ...

  4. 【PCIE-2】---PCIE配置空间及访问方式简介

    对新手来说,第一步了解PCIE的相关基本概念,第二步了解PCIE配置空间,第三步深入研究PCIE设备枚举方式.本章主要总结第二步的PCIE配置空间 按照国际惯例,先提问题: 1. 什么是PCIE的配置 ...

  5. python 快速创建字典 fromkes()

    作用:快速创建字典 特点:共用value seq = ['google', 'ie', 'firefox'] # seq为可迭代对象(str, list, tuple, dict, set) dic ...

  6. 基于OpenCV的双目视觉匹配测距系统

    刚读研究生的时候,自己导师研究的方向是双目视觉,于是让自己研究OpenCV,折腾了几个月,算法上没啥突破,不过工程上还是折腾出了一个能用的小玩意,基于OpenCV实现了相机的标定.双目视觉图片的矫正. ...

  7. 使用postman测试接口

    1.什么是接口测试 其实接口测试就和普通功能测试没什么区别,区别就是功能测试是在页面上点点点,在页面上输入值,提交数据看结果,而接口测试没有页面,通过接口规范文档上的调用地址.请求参数,拼接报文,然后 ...

  8. 线性最长cover(无讲解)

    #include<bits/stdc++.h> using namespace std; ; int n,f[maxn],cover[maxn],R[maxn]; char str[max ...

  9. Deep server from scratch

    Deep server from scratch 1.install Ubuntu16.04 via flash2.wired Network by Ruijie3.install google4.S ...

  10. 基于Flask框架搭建视频网站的学习日志(二)

    基于Flask框架搭建视频网站的学习日志(二)2020/02/02 一.初始化 所有的Flask程序都必须创建一个程序实例,程序实例是Flask类的对象 from flask import Flask ...