CREST: Convolutional Residual Learning for Visual Tracking

最新推荐文章于 2020-11-11 14:16:09 发布

yyyyyyyyXu

最新推荐文章于 2020-11-11 14:16:09 发布

阅读量500

点赞数

分类专栏：阅读笔记

本文链接：https://blog.csdn.net/qq_40711769/article/details/104465881

版权

CREST是ICCV 2017提出的一种深度目标跟踪算法，采用残差学习解决数据缺乏导致的深度学习进展缓慢问题。它将DCFs重新定义为一层卷积层，实现端到端训练，通过残差映射提高目标响应的稳定性和适应性。在OTB-2013, OTB-2015, VOT-2016数据集上表现出SOTA性能。" 7063661,1174215,Linux命令详解：cp、归档、管道及常用工具,"['Linux', '命令行', '文件管理', '系统工具', '终端']

摘要由CSDN通过智能技术生成

简介

CREST: Convolutional Residual Learning for Visual Tracking，ICCV 2017
视觉目标追踪，CREST
在目标跟踪界泰斗杨明玄教授的指导下，香港城市大学，阿德莱德大学的研究人员提出了基于残差学习的端到端的深度目标跟踪算法。
本文已开源，项目地址请查阅：https://ybsong00.github.io/iccv17/index.html
Github链接：https://github.com/ybsong00/CREST-Release
在这里插入图片描述

Motivation

不同于目标检测和识别，深度学习在目标跟踪中进展缓慢，很大原因是数据缺乏，只有第一帧具有标注数据，需要在后续帧中标注出目标物体的位置和大小。本文是首个使用残差学习方法的深度目标跟踪算法。在视觉追踪visual tracking任务中，DCFs表现突出，可以达到高精度的目标跟踪效果，但现有的方法都将特征提取和滤波器更新分开处理，很难端到端训练。本文提出的CREST算法可以使用一层卷积神经网络重新定义DCFs，完成特征提取和响应图生成的端到端训练，同时，使用残差学习的方法，在单层卷积操作为基础映射(base mapping)的基础上，并行地引入了残差映射(residual mapping)，避免模型退化，减少噪声的参与导致模型漂移的干扰，提升目标响应的稳定性和适应性。