【目标跟踪】Learning to Track at 100 FPS with Deep Regression Networks 学习

最新推荐文章于 2023-09-14 17:16:09 发布

cuclxt

最新推荐文章于 2023-09-14 17:16:09 发布

阅读量8k

点赞数 5

分类专栏：目标跟踪机器学习文章标签：目标跟踪深度学习神经网络 Caffe

本文链接：https://blog.csdn.net/cuclxt/article/details/51570255

版权

斯坦福大学的研究提出了一种名为GOTURN的通用目标跟踪器，它使用深度回归网络实现100fps的跟踪速度。通过离线训练，GOTURN学习了连续运动特征，能处理旋转、视点变化等问题，无需在线训练。网络结构基于CaffeNet，通过L1-Loss训练，利用拉普拉斯分布模拟小运动，提高了跟踪性能。

摘要由CSDN通过智能技术生成

使用深度回归网络做目标跟踪

原始论文：Learning to Track at 100 FPS with Deep Regression Networks
Computer Science Department, Stanford University
下载链接：http://arxiv.org/abs/1604.01802
算法主页：http://davheld.github.io/GOTURN/GOTURN.html
代码地址：https://github.com/davheld/GOTURN
这篇文章是斯坦福大学2016年4月发的，文中提出了一种通过离线训练带标签的视频来更有效跟踪目标物体的方法。以前的深度学习用来做跟踪的算法都比较慢，这一论文的跟踪器使用了简单的前向传播而无需在线训练，测试时的跟踪帧率达到了100fps.由于在训练网络时既使用了带标签的视频，也使用了大量的图片，可以防止过拟合。跟踪器学习了泛化的运动特征，所以可以去跟踪训练集中没有出现的新物体。
传统通用目标跟踪器（相对于特定目标跟踪器）完全是通过在线抓取来训练，而没有离线训练。如MIL,tracking learning detection等。这种跟踪器性能不好的原因是获取的信息太少，仅仅在线训练不能利用大量视频的优势。而这些视频有可能帮助跟踪器处理旋转，视点改变，光线改变等问题，进而提高跟踪性能。而机器学习已经能够从大量的离线数据中学习。本文提出的算法;