目标跟踪任务要求跟踪器在视频的每一帧中以边界框的形式尽可能精确地预测目标的位置。现有的许多跟踪器能非常出色地确定目标的大致位置,但预测的边界框往往不够精准。这在很大程度上是由于在跟踪的过程中,一些精细空间信息没有被充分地提取和保存下来,进而影响了边界框预测的准确性。在这次分享中,我们邀请到了大连理工大学信通学院IIAU-LAB博士张新宇,介绍他们的工作:Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation针对现有跟踪器精确性不足的问题,本文设计了一个通用的尺度估计模块Alpha-Refine。Alpha-Refine能够尽可能充分地提取和保留精细的空间信息,在一个初步的定位结果的基础上,给出目标位置的精确预测。该模块可以在不需要重新训练跟踪器的情况下直接应用,并明显提升各种跟踪器的性能。这使得Alpha-Refine为现有的各种跟踪算法提供了一个方便的升级手段。实验证明使用了Alpha-Refine的多种跟踪器在TrackingNet、LaSOT、GOT-10K、VOT2020等数据集上都有显著的性能提升。在Alpha-Refine加持下,加强版ARDiMPsuper在多个数据集上都达到了SOTA性能。在极市平台公众号后台回复“80”或“张新宇”即可获取PPT下载地址~
极市直播丨张新宇:CVPR 2021-Alpha Refine:通过精确的边界框估计提高跟踪性能
➤论文
Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation
论文地址:
https://arxiv.org/abs/2012.06815
代码地址:
https://github.com/MasterBin-IIAU/AlphaRefine
1.研究背景
2.算法讲解
3.实验结果
4.效果展示
5.Q&A
➤回放视频在这里☟(建议在pc端观看)
➤部分PPT截图