深度学习Tracking（1）——Learning to Track at 100 FPS with Deep Regression Networks

最新推荐文章于 2024-08-02 11:03:15 发布
最新推荐文章于 2024-08-02 11:03:15 发布
阅读量2.3k 收藏 7
点赞数 1
分类专栏： 计算机视觉 机器学习 文章标签： 深度学习 网络 tracking
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_22201697/article/details/56304490
版权
本文介绍了一种基于深度回归网络的追踪算法，能够在视频流中实时预测目标位置，达到100fps。算法利用训练数据学习目标外观和运动的关系，适用于跟踪未见过的新目标。网络输入包括目标图像和搜索域，通过卷积层和全连接层预测目标在当前帧的坐标。网络结构采用CaffeNet的前五层卷积层，结合全连接层进行高阶特征比较，以适应光照变化、遮挡等复杂情况。训练过程用于确定网络对目标运动的预测能力。
摘要由CSDN通过智能技术生成

发生了一些很奇葩的事情，因此我可能要开始学习深度学习了。研究生开始这么久了才开始做深度学习，我真的要担心自己的毕业问题了。好的吧，加油吧。虽然不懂，现在开始吧。

原文地址：【http://davheld.github.io/GOTURN/GOTURN.pdf】
项目地址：【http://davheld.github.io/GOTURN/GOTURN.html】
一篇更详尽的翻译：【https://zhuanlan.zhihu.com/p/25338674?utm_medium=social&utm_source=wechat_session&from=singlemessage&isappinstalled=1】

本文介绍的算法利用深度回归网络，输入为视频流，输出为每一帧中目标的位置。该算法的highlight在于，其利用的是线下的训练，获取目标外观和运动之间的联系，以此来实现对任意（甚至全新、从未见过的）目标的tracking。并且由于网络已经学会了tracking的技巧，因此可以实现100fps的实时应用。

论文第3章主要介绍了该算法。

最低0.47元/天 解锁文章
没有头像的宝宝
关注
专栏目录
深度学习Tracking（1）——Learning to Track at 100 FPS with Deep Regression Networks（代码理解）
没有头像的博客
03-01 3607
工程地址：【http://davheld.github.io/GOTURN/GOTURN.html】第一次看深度学习网络实现的工程代码，有很多内容和结构不理解，并且在Linux下跑网络工程代码没有IDE，无法调试，我也不知道在查看函数的时候如何跳转，因此看整个工程文件十分麻烦。因此自己也是边看边查边学。下面开始解析该工程代码，可能存在一些偏差和错误，将会不断学习和修正。一、工程结构工程主目录下有6个
Learning to Track at 100 FPS with Deep Regression Networks 论文理解及应用笔记（一）
a294271433的博客
03-18 2110
GOTURN算法论文翻译及理解云笔记 前言：本笔记仅限个人算法理解与记忆，不涉及技术/论文相关商业用途。 第一部分：个人 根据原论文的翻译及笔记 第二部分：个人根据论文及原算法的具体实现及应用迁移笔记 摘要：机器学习技术经常由于他们通过大量训练数据提升性能的能力而被用于机器视觉方面。但不幸的是，大多数通用物体跟随算法都仍停留在在线训练并且没能从大量可用于离线训练的的可获
【深度学习】FPS
最新发布
littlemichelle
08-02 933
FPS是衡量系统处理和显示速度的一个关键指标，表示每秒钟能够处理或显示的帧数。高FPS带来更流畅的视觉体验和更高的系统性能，广泛应用于视频播放、游戏、图像处理和实时视频分析等领域。理解和优化FPS对于提升用户体验和系统效率至关重要。看完我发现FPS的计算公式和QPS好像一样。我又问了一下。Q: QPS和FPS的计算方式一样吗？QPS（Queries Per Second，每秒查询数）和FPS（Frames Per Second，每秒帧数）都是衡量系统性能的指标，但它们适用于不同的场景。
深度学习tracking学习笔记(1):Visual Tracking with Fully Convolutional Networks
Focusing on your own Mind :) －> 站在巨人的肩膀上
06-23 6247
reference：http://blog.csdn.net/carrierlxksuper/article/details/48918297 两个属性 1）不同层上的CNN特征可以针对不同的tracking问题。越top层的特征越抽象，并且具有语义信息。这些特征的优势在于区分不同类别，同时对于形变和遮挡robust(下图a)。但是他们的缺点是无法区别类内的物体，比如不同人（下
GOTURN 算法
BBZZ2的专栏
05-12 4284
文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》  算法简称：GOTURN（Generic Object Tracking Using Regression Networks）  作者是斯坦福的David Held  文章以及附件：http://davheld.github.io/GOTURN/GOTURN
Learning to Track at 100 FPS with Deep Regression Networks
a1424262219的博客
03-22 130
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 Projec...
【目标跟踪】Learning to Track at 100 FPS with Deep Regression Networks 学习
书侠
06-02 8031
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）
目标跟踪之GOTURN：Learning to Track at 100 FPS with Deep Regression Networks
跟随技术的脚步-linolzhang的专栏
05-16 8599
一. 简介        选择这篇文章的原因在于能实现 100帧的效果，对于跟踪来讲，大多数应用场景需要实时跟踪，应该说仅仅实时跟踪还不够，还需要计算资源来做 视频解码、检测、比对 等多个工作。        这篇文章 2016年来自 Stanford 大学的 David Held，通过 CNN直接回归的方式得到目标位置。        论文下载：Learning to Track
GOTURN——Learning to Track at 100 FPS with Deep Regression Networks
autocyz
09-24 1万+
文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》 算法简称：GOTURN（Generic Object Tracking Using Regression Networks） 作者是斯坦福的David Held 文章以及附件：http://davheld.github.io/GOTURN/GOTURN.htm
GOTURN: Learning to Track at 100 FPS with Deep Regression Networks笔记
EdwarL's Blog
03-11 1388
2016年stanford David Held的作品，第一个用深度学习实现了100FPS的generic tracking任务的工作，因为offline而且是完全offline的（不做online的fine-tuning，在tracking新的object的时候，也并不改变network weights）。所以优点就是速度快，缺点是对于遮挡表现很差。1. Motivation 计算机视觉
GOTURN跟踪算法源码，采用CNN的FPS可以达到100
05-02
GOTURN跟踪算法源码，采用卷积神经网络的同时，帧率可以达到100
Learning to Track at 100 FPS with Deep Regression Networks 论文理解及应用笔记（二）
a294271433的博客
03-18 629
GOTURN算法实践及性能分析云笔记   算法实现：个人根据论文及github提示构建算法平台 测试环境为：Caffe+OpenCV+Linux+GOTURN源码 硬件平台：CRSN本科生实验室服务器--128G运行内存，3.2GCPU频率、英伟达1080p显卡、酷睿I7、8核处理器 测试数据集：VOT2014公开数据集   一、环境搭建 1.OpenCV-2.4.9库安装
Learning to Track at 100 FPS with Deep Regression Networks全文翻译
weixin_44294645的博客
07-19 740
Learning to Track at 100 FPS with Deep Regression Networks翻译
【深度学习实战（3）】打印自己模型的推理帧率
m0_51579041的博客
04-13 568
【深度学习实战（3）】打印自己模型的推理帧率
FPS 是什么意思
客亦知夫水与月乎？
12-25 4213
有两种意思。 （一）电子游戏领域中，“FPS”多指词组“First Person Shooting”的缩写。 “First Person Shooting Game”翻译成中文就是：“第一人称射击游戏”。例如我们玩的CS、Quake系列、UT系列等等游戏。 （二）在计算
Tracking-Learning-Detection原理分析
xia316104的专栏
03-16 1762
转自http://johnhany.net/2014/05/tld-the-theory/  Tracking-Learning-Detection（TLD）是Zdenek Kalal提出的一种对视频中单个物体长时间跟踪的算法。我主要会根据他在2010年发表的论文《Tracking-Learning-Detection》来分析TLD算法的原理。该项目的首页中有几段视频展示了TLD实时跟踪
TLD目标跟踪算法学习（二）
热门推荐
趁着年轻抓紧逆袭呀！
04-25 2万+
转自：http://johnhany.net/2014/05/tld-the-theory/ 　　正如名字所示，TLD算法主要由三个模块构成：追踪器（tracker），检测器（detector）和机器学习（learning）。 　　对于视频追踪来说，常用的方法有两种，一是使用追踪器根据物体在上一帧的位置预测它在下一帧的位置，但这样会积累误差，而且一旦物体在图像中消失，追踪器就会永久失效，即使物
siamrpn++: evolution of siamese visual tracking with very deep networks
03-16
该算法采用了一种新的跟踪框架，结合了区域提议网络（RPN）和深度残差网络（ResNet），能够在复杂的场景下实现高效准确的目标跟踪。该算法在多个公共数据集上进行了测试，取得了优秀的跟踪性能，成为当前最先进的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值