Learning to Track at 100 FPS with Deep Regression Networks

 Learning to Track at 100 FPS with Deep Regression Networks  

ECCV 2016

Paper:  http://davheld.github.io/GOTURN/GOTURN.pdf 

Supplement: http://davheld.github.io/GOTURN/supplement.pdf 

Project page：http://davheld.github.io/GOTURN/GOTURN.html 

GitHub：https://github.com/davheld/GOTURN 

PyTorch Code: https://github.com/amoudgl/pygoturn 

Caffe+Python Code: https://github.com/nrupatunga/PY-GOTURN 

Matconvnet Code: https://github.com/foolwood/GOTURN_matconvnet 

 

 

 

本文第一次利用 Deep Learning 技术将跟踪的速度维持在 100fps，当然是使用 GPU 的前提下。本文的流程框架如下所示：

 

 

　　将跟踪看做是回归问题，直接根据上一帧的位置，回归出当前帧的location。类比于 基于Siamese 网络的匹配，仅用第一帧作为 target object，本文方法不需要提候选的 proposal，直接进行 bounding  box 的回归。很好的避开了 CNN 在跟踪问题上速度慢的难题。

　　

　　是的，没了，就这么多。这就是文章的主要思想了。。。

 

　　另外：给些参考的blog，因为他们讲的更加详细。

　　1. http://blog.csdn.net/cuclxt/article/details/51570255 

　　2. http://blog.csdn.net/autocyz/article/details/52648776

　　3. https://zhuanlan.zhihu.com/p/22715531 （强烈推荐）

 

转载于:https://www.cnblogs.com/wangxiaocvpr/p/6600080.html