blocks|key|494103|text|国际空间研究中心2017年比赛的结果于昨天发布(2017年7月17日)。在两个跟踪类别中，任务3c+(提供培训数据的视频目标检测/跟踪)和任务3d+(带有额外培训数据的视频目标检测/跟踪)的赢家是该小组：|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|494104|邓建康(1)、周玉祥(1)、余宝胜(2)、陈哲(2)、燕姿(1)、陶大成(2)、伦敦帝国学院(1)、悉尼大学(2)|494105|以下是他们的出版物、源代码和演示文稿：1西洲朱、熊玉文、戴继峰、绿原和魏宜臣，IEEE计算机视觉和模式识别会议，2017年。|494106|2，朱锡洲，王玉杰，戴继峰，绿原，魏宜臣。Arxiv技术报告，2017年。|494107|表示https://www.youtube.com/watch?v=J0rMHE6ehGw|494108|源代码https://github.com/msracver/Deep-Feature-Flow|494109|该守则有以下先决条件：|494110|Python+3.2.0%2B|unordered-list-item|494111|微软的MXNet|494112|Cython|494113|OpenCV+(Python+)|494114|他们的代码需要至少6GB内存的GPU。|494115|另一个选择是罗罗。作者是广汉宁，他只使用你看一次(YOLO)进行检测，并使用TensorFlow实现LSTMs进行跟踪。|494116|他发表了一篇论文：空间监督递归卷积神经网络用于视觉目标跟踪，IEEE国际电路与系统研讨会，2017年|494117|他的代码在这里：https://github.com/Guanghan/ROLO|494118|项目页面：http://guanghan.info/projects/ROLO/|494119|前提条件：|494120|Python2.7或3.3%2B|494121|TensorFlow|494122|西皮|494123|OpenCV+(Python+)|494124|他工作的一些视频：|494125|看不见序列的ROLO示例:冲浪者|494126|未见序列上的ROLO示例:男孩|494127|不可见序列上的ROLO示例:跳跃|494128|entityMap|0|LINK|mutability|MUTABLE|url|http://image-net.org/challenges/LSVRC/2017/results|1|https://arxiv.org/abs/1611.07715|2|https://arxiv.org/pdf/1703.10025.pdf|3|https://www.youtube.com/watch?v=J0rMHE6ehGw|4|https://github.com/msracver/Deep-Feature-Flow|5|http://guanghan.info/projects/ROLO/|6|https://arxiv.org/abs/1607.05781|7|https://github.com/Guanghan/ROLO|8|9|https://www.youtube.com/watch?v=qElDUVmYSpY|10|https://www.youtube.com/watch?v=7dDsvVEt4ak|11|https://www.youtube.com/watch?v=w7Bxf4guddg^0|G|2|0|0|0|J|1|1|0|0|1|2|0|2|17|3|0|3|19|4|0|0|0|0|0|0|0|6|2|5|0|9|K|6|0|8|W|7|0|5|Z|8|0|0|0|0|0|0|0|0|G|9|0|0|F|A|0|0|G|B|0^^$0|@$1|2|3|4|5|6|7|2J|8|@]|9|@$A|2K|B|2L|1|2M]]|C|$]]|$1|D|3|E|5|6|7|2N|8|@]|9|@]|C|$]]|$1|F|3|G|5|6|7|2O|8|@]|9|@$A|2P|B|2Q|1|2R]]|C|$]]|$1|H|3|I|5|6|7|2S|8|@]|9|@$A|2T|B|2U|1|2V]]|C|$]]|$1|J|3|K|5|6|7|2W|8|@]|9|@$A|2X|B|2Y|1|2Z]]|C|$]]|$1|L|3|M|5|6|7|30|8|@]|9|@$A|31|B|32|1|33]]|C|$]]|$1|N|3|O|5|6|7|34|8|@]|9|@]|C|$]]|$1|P|3|Q|5|R|7|35|8|@]|9|@]|C|$]]|$1|S|3|T|5|R|7|36|8|@]|9|@]|C|$]]|$1|U|3|V|5|R|7|37|8|@]|9|@]|C|$]]|$1|W|3|X|5|R|7|38|8|@]|9|@]|C|$]]|$1|Y|3|Z|5|6|7|39|8|@]|9|@]|C|$]]|$1|10|3|11|5|6|7|3A|8|@]|9|@$A|3B|B|3C|1|3D]]|C|$]]|$1|12|3|13|5|6|7|3E|8|@]|9|@$A|3F|B|3G|1|3H]]|C|$]]|$1|14|3|15|5|6|7|3I|8|@]|9|@$A|3J|B|3K|1|3L]]|C|$]]|$1|16|3|17|5|6|7|3M|8|@]|9|@$A|3N|B|3O|1|3P]]|C|$]]|$1|18|3|19|5|6|7|3Q|8|@]|9|@]|C|$]]|$1|1A|3|1B|5|R|7|3R|8|@]|9|@]|C|$]]|$1|1C|3|1D|5|R|7|3S|8|@]|9|@]|C|$]]|$1|1E|3|1F|5|R|7|3T|8|@]|9|@]|C|$]]|$1|1G|3|1H|5|R|7|3U|8|@]|9|@]|C|$]]|$1|1I|3|1J|5|6|7|3V|8|@]|9|@]|C|$]]|$1|1K|3|1L|5|R|7|3W|8|@]|9|@$A|3X|B|3Y|1|3Z]]|C|$]]|$1|1M|3|1N|5|R|7|40|8|@]|9|@$A|41|B|42|1|43]]|C|$]]|$1|1O|3|1P|5|R|7|44|8|@]|9|@$A|45|B|46|1|47]]|C|$]]|$1|1Q|3|-4|5|6|7|48|8|@]|9|@]|C|$]]]|1R|$1S|$5|1T|1U|1V|C|$1W|1X]]|1Y|$5|1T|1U|1V|C|$1W|1Z]]|20|$5|1T|1U|1V|C|$1W|21]]|22|$5|1T|1U|1V|C|$1W|23]]|24|$5|1T|1U|1V|C|$1W|25]]|26|$5|1T|1U|1V|C|$1W|27]]|28|$5|1T|1U|1V|C|$1W|29]]|2A|$5|1T|1U|1V|C|$1W|2B]]|2C|$5|1T|1U|1V|C|$1W|27]]|2D|$5|1T|1U|1V|C|$1W|2E]]|2F|$5|1T|1U|1V|C|$1W|2G]]|2H|$5|1T|1U|1V|C|$1W|2I]]]]

The <a href="http://image-net.org/challenges/LSVRC/2017/results" rel="nofollow noreferrer">results</a> of the ILSVRC 2017 competition were released yesterday (July 17, 2017). The winner in the two tracking categories, Task 3c (Object detection/tracking from video with provided training data) and Task 3d (Object detection/tracking from video with additional training data), was this team:

Jiankang Deng(1), Yuxiang Zhou(1), Baosheng Yu(2), Zhe Chen(2), Stefanos Zafeiriou(1), Dacheng Tao(2), (1)Imperial College London, (2)University of Sydney

Here are their publications, source code, and a presentation:
[1] <a href="https://arxiv.org/abs/1611.07715" rel="nofollow noreferrer">Deep Feature Flow for Video Recognition</a> 
Xizhou Zhu, Yuwen Xiong, Jifeng Dai, Lu Yuan, and Yichen Wei, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017. 

[2] <a href="https://arxiv.org/pdf/1703.10025.pdf" rel="nofollow noreferrer">Flow-Guided Feature Aggregation for Video Object Detection</a>, Xizhou Zhu, Yujie Wang, Jifeng Dai, Lu Yuan, and Yichen Wei. Arxiv tech report, 2017.

Presentation
<a href="https://www.youtube.com/watch?v=J0rMHE6ehGw" rel="nofollow noreferrer">https://www.youtube.com/watch?v=J0rMHE6ehGw</a>

Source Code
<a href="https://github.com/msracver/Deep-Feature-Flow" rel="nofollow noreferrer">https://github.com/msracver/Deep-Feature-Flow</a>

The code has the following prerequisites:

<ul>
<li>Python 3.2.0+</li>
<li>Microsoft's MXNet</li>
<li>Cython</li>
<li>OpenCV (Python bindings)</li>
</ul>

Their code requires a GPU with at least 6GB of memory.

Another option is <a href="http://guanghan.info/projects/ROLO/" rel="nofollow noreferrer">ROLO</a>. The author is Guanghan Ning and he uses You Only Look Once (YOLO) for detection and uses TensorFlow to implement LSTMs for tracking.

His published a paper:
<a href="https://arxiv.org/abs/1607.05781" rel="nofollow noreferrer">Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking</a>, IEEE International Symposium on Circuits and Systems, 2017

His code is here: <a href="https://github.com/Guanghan/ROLO" rel="nofollow noreferrer">https://github.com/Guanghan/ROLO</a>

Project page: <a href="http://guanghan.info/projects/ROLO/" rel="nofollow noreferrer">http://guanghan.info/projects/ROLO/</a>

Prerequisites:

<ul>
<li>Python 2.7 or 3.3+</li>
<li>TensorFlow</li>
<li>Scipy</li>
<li>OpenCV (Python bindings)</li>
</ul>

Some videos of his work:

<ul>
<li><a href="https://www.youtube.com/watch?v=qElDUVmYSpY" rel="nofollow noreferrer">ROLO example on unseen sequence: Surfer</a></li>
<li><a href="https://www.youtube.com/watch?v=7dDsvVEt4ak" rel="nofollow noreferrer">ROLO example on unseen sequence: Boy</a></li>
<li><a href="https://www.youtube.com/watch?v=w7Bxf4guddg" rel="nofollow noreferrer">ROLO example on unseen sequence: Jumping</a></li>
</ul>

blocks|key|652996|text|如果您正在寻找一些运行在CPU中的快速代码，请查看Drew。这是本文中讨论的神经网络的python实现。要运行您需要的脚本：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|652997|丹瑟尔流|ordered-list-item|652998|OpenCV|652999|DrewNF+Github|offset|length|653000|entityMap|0|LINK|mutability|MUTABLE|url|https://github.com/DrewNF/Tensorflow_Object_Tracking_Video^0|0|0|0|0|D|0|0^^$0|@$1|2|3|4|5|6|7|S|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|T|8|@]|9|@]|A|$]]|$1|E|3|F|5|D|7|U|8|@]|9|@]|A|$]]|$1|G|3|H|5|6|7|V|8|@]|9|@$I|W|J|X|1|Y]]|A|$]]|$1|K|3|-4|5|6|7|Z|8|@]|9|@]|A|$]]]|L|$M|$5|N|O|P|A|$Q|R]]]]

If you are looking for some quick code which runs in CPU, take a look at Drew-NF. This is a python implementation of the neural network discussed in the paper <a href="https://arxiv.org/pdf/1604.02532.pdf" rel="nofollow noreferrer">Tubelets with
Convolutional Neural Networks for Object Detection from Videos</a>.
To Run the script you need:

<ol>
<li>Tensorflow</li>
<li>OpenCV</li>
</ol>

<a href="https://github.com/DrewNF/Tensorflow_Object_Tracking_Video" rel="nofollow noreferrer">DrewNF Github Repo</a>

I'm trying to tracking people in the video. But I can not find a suitable algorithm that would behave similarly to <a href="https://www.youtube.com/watch?v=Qjr3RYecv3U" rel="nofollow">https://www.youtube.com/watch?v=Qjr3RYecv3U</a>.

I tried template matching in combination with optical flow, but always lose the tracked object if it overlaps another object. Could someone recommend a suitable method for tracking?

I am using Python and OpenCV.

Object tracking in video

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我在努力追踪录像里的人。但是，我找不到一个与类似的合适的算法。我尝试了模板匹配结合光流，但总是失去跟踪对象，如果它重叠的另一个目标。有人能推荐一种合适的追踪方法吗？我正在使用Python和OpenCV。

问视频中的目标跟踪
EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问视频中的目标跟踪EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问视频中的目标跟踪
EN