卫星视频跟踪总结

抽象 对象跟踪是计算机视觉领域的热门话题。高分辨率遥感传感器提供的详细空间信息使跟踪卫星视频中的目标成为可能。近年来，相关过滤器已经产生了令人鼓舞的结果。但是，在处理卫星视频中的对象跟踪方面，由于每个目标的大小与整个图像相比都太小，并且目标和背景是非常相似。因此，在这封信中，我们通过融合KCF跟踪器和三帧差算法，提出了一种新的卫星视频目标跟踪方法。本文提出了一种特定的策略，以利用KCF跟踪器和三帧差异算法来构建强大的跟踪器。我们在三个卫星视频中评估了所提出的方法，并展示了其相对于其他最新跟踪方法的优越性

1. 论文基本信息 论文标题：VITAL: VIsual Tracking via Adversarial Learning 论文作者：Yibing Song （Tencent AI Lab）等人 论文出处：CVPR 2018 在线阅读：http://openaccess.thecvf.com/content_cvpr_2018/papers/Song_VITAL_VIsual_Tracking...

论文学习-卫星视频与目标追踪-1 大家好，近来一直在研究基于视频卫星的目标追踪领域。为了更好地梳理自己的论文学习过程，故采用博客的方式记录下来。接下来我会将此领域一些我觉得典型的有意义的论文，以我自己的方式进行翻译、归纳和总结。希望可以帮助自己的研究取得进展，也希望对感兴趣或也做这方面的研究的朋友一点帮助。 研究领域简介 开始之前，我先用我自己的语言对此领域做一个简要的介绍，不专业之处请多指教： 视频卫星呢，其实和其他的遥感卫星没什么区别，只是说，其获取的数据不只是遥感影像，也包括一段连续序列的图像（视频）

卫星视频的智能处理侧重于通过智能图像/视频处理技术，从地球观测视频中提取地面对象和场景的特定信息，这在交通监控、资源监控和环境监测等领域具有重要应用。深度学习技术在卫星视频处理中的融合已经在对象检测和对象跟踪等任务上取得了显著进展，并扩展到了卫星视频场景分类和对象分割等新兴研究领域。然而，目前在卫星视频智能处理方面尚缺乏全面的综述和总结。本文对过去十年发表的成果进行了系统综述和定量分析，旨在进一步推动卫星视频智能处理任务的发展。文章分析了各个任务的当前困难、挑战以及方法体系。

常规目标检测数据集有很多，现在前沿的目标检测算法（如Faster R-CNN, Yolo, SSD, Mask R-CNN等）基本都是在这些常规数据集上实验的，但是，基于常规数据集训练的分类器，在航空遥感图像上的检测效果并不好，主要原因是航空遥感图像有其特殊性： 1，尺度多样性，航空遥感图像从几百米到近万米的拍摄高度都有，且地面目标即使是同类目标也大小不一，如港口的轮船大的有300多米，小的也只...

文章目录1. 光学数据集1.1 DIOR1.2 LEVIR1.3 DOTA1.4 RSOD1.5 NWPU VHR-101.6 VEDAI1.7 COWC1.8 ITCVD1.9 DIUx xView 20181.10 HRSC20161.11 TAS1.12 SZTAKI‐INRIA1.13 UCAS AOD1.14 DLR 3K Vehicle2. SAR2.1 SSDD2.2 SSDD+2....

作为联接主义智能实现的典范，神经网络采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程，是人工智能发展中的重要方法，也是当前类脑智能研究中的有效工具。从如何自动获取高级特征表示的研究开始到目前为止，深度学习已经被深入应用到了跟踪任务的方方面面，例如相似性度量、数据协同和目标包围盒估计等，经过社区的不断研究，纯基于深度学习的跟踪器已经获得了该任务中最先进的性能。在调研稀疏学习的发展过程中，本文总结了各算法的优势，缺点，局限性和未来的研究方向，可以帮助读者进行进一步的研究。

  理解出错之处望不吝指正。   本文模型叫做Siam-RPN。本文将Siamese Network和RPN结合，提出了一种端到端的离线训练方法，并把tracking过程视为one-shot detection（单项学习）。   训练阶段的网络结构如下：   tracking阶段的网络结构如下：        tracking过程中，先使用第一帧在template branch中预...

说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................

目标检测算法在近年来取得了长足的进步，但在检测小目标方面仍然存在一些挑战。小目标往往由于尺寸较小、特征信息不足等原因，难以被检测算法准确识别。为了解决这一问题，本文提出了一种利用辅助超推理算法SAHI推理让小目标无所谓遁形的方案。SAHI是一种基于超推理的辅助推理算法，它可以利用相邻图像的信息来增强小目标的特征信息，从而提高检测精度。该算法在多个目标检测数据集上都取得了显著的性能提升。SAHI算法是一种利用辅助超推理来增强小目标特征信息的有效方法，可以显著提高YOLOv8模型在小目标检测任务上的精度。