GOTURN

GOTURN

---

• -Model(pytorch版本

---

• 1.一 论文导读
• 2.二 论文精读
• 3.三 代码实现
• 4.四 问题思索

《Learning to Track at 100 FPS with Deep Regression Networks》
—基于GOTURN的目标跟踪
作者：David Held
单位：斯坦福大学
发表会议及时间：ECCV 2015

一 论文导读

跟踪算法背景：

• 静态场
  背景是静态的
• 动态场
  背景是动态的

GOTURN是运用在动态场的深度学习算法

为什么传统深度学习算法跟踪算法的实时性能都不好？
—基本在5fps左右

1. 因为采用了online training for tracking 的方式，计算量大，并且没有从大量视频数据中得到离线训练的优势
2. 因为以往的方式使用回归的方式，回归出当前帧中目标所在的位置，需要从图片中回归非常多个patches,这是一个非常耗时的过程。
   因此，深度学习的跟踪算法很多只能达到4fps
   然而这篇论文GOTURN的成果可以达到100fps,正如我们在题目中说到的那样
   成果1：
   使用离线训练的方式，提升测试运行速率
   成果2：
   仅使用前后两帧图片进行目标跟踪，提升识别速率

二 论文精读

本篇论文的研究背景：
传统目标检测算法采用在线更新的方式
而离线更新的方式可以用数据集来训练旋转、变换视角、光照变换和其他挑战

在测试的时候，我们要进行跟踪，这个时候就把参数权重都固定住，体系了离线训练的迅速、高鲁棒性及准确率高的等特点
本网络可以识别多物体种类，训练了车，可以跟踪人

算法流程：
只取用前后两帧进行目标位置的评判。

什么是拉普拉斯分布？
是一种连续概率分布，可以将其看为两个不同位置的指数分布背靠背拼接在一起的
和高斯分布很像

本文使用的损失函数：
L1损失函数

实验部分

数据增广：避免过拟合
对图片进行一定程度的形变
数据集部分包含视频和图片
1.训练集
源于ALOV300+
2.测试集
源于VOT2014

本篇文章论证了：
数据增强多少有效！
全连接层个数多少效果最好！
等等，有一篇辅助论证论文

三 代码实现

GOTURN源码–tensorflow实现

四 问题思索

1、通过文字或者图片的形式写下这篇论文中GOTURN的技术流程，根据自己的记忆画出文章网络结构。

2、对文中每一个公式进行整理并且要写下自己对这个公式的理解，深刻理解训练阶段的参数，对训练阶段的参数设置进行总结。