Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Markov Network Based Passage Retrieval Method for Multimodal Question Answering in the Cultural Heritage Domain Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

REVT: Robust and Efficient Visual Tracking by Region-Convolutional Regression Network

verfasst von : Peng Wu, Di Huang, Yunhong Wang

Erschienen in: MultiMedia Modeling

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper proposes a novel approach, namely REVT, for visual tracking based on a region convolutional regression network. REVT runs according to a coarse to fine scheme. It first builds an on-line update deep network to roughly select a candidate region in a fast way. It then refines the result by exquisitely searching the target within the candidate region by a deep regression network, which is trained off-line to account for more diverse intra-class appearance changes. REVT thus integrates the advantages of the two types of deep models, and demonstrates a good trade-off between accuracy and efficiency. We perform extensive experiments on the OTB-2013 and OTB-2015 benchmarks, and REVT reports competitive performance at a speed of 19 fps, proving its competency.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Remote Sensing Image Fusion Based on Two-Stream Fusion Network
Nächstes Kapitel Shallow-Water Image Enhancement Using Relative Global Histogram Stretching Based on Adaptive Parameter Acquisition
Literatur
1.
Babenko, B., Yang, M.-H., Belongie, S.: Visual tracking with online multiple instance learning. In: IEEE CVPR (2009)
2.
Bertinetto, L., Valmadre, J., Golodetz, S., Miksik, O., Torr, P.H.S.: Staple: complementary learners for real-time tracking. In: IEEE CVPR (2016)
3.
4.
Bolme, D.S., Beveridge, J.R., Draper, B.A., Lui, Y.M.: Visual object tracking using adaptive correlation filters. In: CVPR (2010)
5.
Ross, D.A., Lim, J., Lin, R.S., Yang, M.-H.: Incremental learning for robust visual tracking. IJCV 77, 125–141 (2008)CrossRef
6.
7.
Danelljan, M., Bhat, G., Khan, F.S., Felsberg, M.: ECO: efficient convolution operators for tracking. In: IEEE CVPR (2017)
8.
Danelljan, M., Hager, G., Khan, F.S., Felsberg, M.: Convolutional features for correlation filter based visual tracking. In: IEEE ICCV Workshop (2016)
9.
Danelljan, M., Hager, G., Khan, F.S., Felsberg, M.: Learning spatially regularized correlation filters for visual tracking. In: IEEE ICCV (2015)
10.
Danelljan, M., Hager, G., Khan, F.S., Felsberg, M.: Discriminative scale space tracking. IEEE T-PAMI 39(8), 1561–1575 (2016)CrossRef
11.
Mei, X., Ling, H.: Robust visual tracking using \(l_1\) minimization. In: ICCV (2010)
12.
Bao, C., Wu, Y., Ling, H., Ji, H.: Real time robust L1 tracker using accelerated proximal gradient approach. In: IEEE CVPR (2012)
13.
Hare, S., Saffari, A., Torr, P.H.S.: Struck: structured output tracking with kernels. In: IEEE ICCV (2011)
14.
15.
16.
Henriques, J.F., Caseiro, R., Martins, P., Batista, J.: High-speed tracking with kernelized correlation filters. IEEE T-PAMI 37(3), 583–596 (2015)CrossRef
17.
Hong, S., You, T., Kwak, S., Han, B.: Online tracking by learning discriminative saliency map with convolutional neural network. arXiv preprint arXiv:​1502.​06796 (2015)
18.
Hong, Z., Chen, Z., Wang, C., et al.: Multi-store tracker (muster): a cognitive psychology inspired approach to object tracking. In: IEEE CVPR (2015)
19.
Li, Y., Zhu, J., Hoi, S.C.H.: Reliable patch trackers: robust visual tracking by exploiting reliable patches. In: IEEE CVPR (2015)
20.
Ma, B., Hu, H., Shen, J., Zhang, Y., Porikli, F.: Linearization to nonlinear learning for visual tracking. In: IEEE ICCV (2015)
21.
Ma, C., Huang, J.-B., Yang, X., Yang, M.-H.: Hierarchical convolutional features for visual tracking. In: IEEE ICCV (2015)
22.
Ma, C., Yang, X., Zhang, C., Yang, M.-H.: Long-term correlation tracking. In: IEEE CVPR (2015)
23.
Nam, H., Han, B.: Learning multi-domain convolutional neural networks for visual tracking. In: IEEE CVPR (2016)
24.
Tao, R., Gavves, E., Smeulders, A.W.M.: Siamese instance search for tracking. In: IEEE CVPR (2016)
25.
Wang, L., Ouyang, W., Wang, X., Lu, H.: STCT: sequentially training convolutional networks for visual tracking. In: IEEE CVPR (2016)
26.
Wang, L., Ouyang, W., Wang, X., Lu, H.: Visual tracking with fully convolutional networks. In: IEEE ICCV (2015)
27.
Wang, N., Yeung, D.Y.: Learning a deep compact image representation for visual tracking. In: NIPS (2013)
28.
Yun, S., Choi, J., Yoo, Y., Yun, K., Jin, Y.C.: Action-decision networks for visual tracking with deep reinforcement learning. In: IEEE CVPR (2017)
29.
Metadaten
Titel
REVT: Robust and Efficient Visual Tracking by Region-Convolutional Regression Network
verfasst von
Peng Wu
Di Huang
Yunhong Wang
Copyright-Jahr
2018
Buch
MultiMedia Modeling

Print ISBN: 978-3-319-73602-0

Electronic ISBN: 978-3-319-73603-7

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-73603-7_36

Neuer Inhalt

    Bildnachweise