ATOM: Accurate tracking by overlap maximization

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:liu-163194" > ATOM: Accurate trac...

1 av 1
Föregående post
Nästa post
Till träfflistan

Danelljan, Martin,1989-Linköpings universitet,Datorseende,Tekniska fakulteten,Swiss Fed Inst Technol, Switzerland (författare)

ATOM: Accurate tracking by overlap maximization

Artikel/kapitelEngelska2019

Förlag, utgivningsår, omfång ...

IEEE,2019
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:liu-163194
https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-163194URI
https://doi.org/10.1109/CVPR.2019.00479DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:kon swepub-publicationtype

Anmärkningar

Funding Agencies|SSF (SymbiCloud); Swedish Research Council (EMC2)Swedish Research Council [2018-04673]; ELLIIT; WASP
While recent years have witnessed astonishing improvements in visual tracking robustness, the advancements in tracking accuracy have been limited. As the focus has been directed towards the development of powerful classifiers, the problem of accurate target state estimation has been largely overlooked. In fact, most trackers resort to a simple multi-scale search in order to estimate the target bounding box. We argue that this approach is fundamentally limited since target estimation is a complex task, requiring highlevel knowledge about the object. We address this problem by proposing a novel tracking architecture, consisting of dedicated target estimation and classification components. High level knowledge is incorporated into the target estimation through extensive offline learning. Our target estimation component is trained to predict the overlap between the target object and an estimated bounding box. By carefully integrating targetspecific information, our approach achieves previously unseen bounding box accuracy. We further introduce a classification component that is trained online to guarantee high discriminative power in the presence of distractors. Our final tracking framework sets a new state-of-the-art on five challenging benchmarks. On the new large-scale TrackingNet dataset, our tracker ATOM achieves a relative gain of 15% over the previous best approach, while running at over 30 FPS. Code and models are available at https://github.com/visionml/pytracking.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

Bhat, GoutamLinköpings universitet,Datorseende,Tekniska fakulteten,Swiss Fed Inst Technol, Switzerland(Swepub:liu)goubh24 (författare)
Khan, Fahad Shahbaz,1983-Linköpings universitet,Datorseende,Tekniska fakulteten,Incept Inst Artificial Intelligence, U Arab Emirates(Swepub:liu)fahkh30 (författare)
Felsberg, Michael,1974-Linköpings universitet,Datorseende,Tekniska fakulteten(Swepub:liu)micfe03 (författare)
Linköpings universitetDatorseende (creator_code:org_t)

Sammanhörande titlar

Ingår i:2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR 2019): IEEE, s. 4655-46649781728132938

Internetlänk

Hitta via bibliotek

2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR 2019) (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Danelljan, Marti ...; Bhat, Goutam; Khan, Fahad Shah ...; Felsberg, Michae ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datorseende och ...

Artiklar i publikationen: 2019 IEEE/CVF CO ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se