Learning Policies for Adaptive Tracking with Deep Feature Cascades

最新推荐文章于 2024-09-15 18:34:37 发布
最新推荐文章于 2024-09-15 18:34:37 发布
阅读量1.7k 收藏 1
点赞数 1
分类专栏： tracking computer vision 文章标签： tracking 目标跟踪 强化学习
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/u013288466/article/details/78357074
版权
本文提出了一种使用强化学习策略的深度特征级联目标跟踪方法，通过动态控制网络深度达到速度和精度的平衡。在每一层特征检测中，如果目标检测满足条件，则停止检测，否则继续下一层搜索。这种方法结合了快速的浅层特征和精确的深层特征，实现了高效的实时跟踪。
摘要由CSDN通过智能技术生成

Learning Policies for Adaptive Tracking with Deep Feature Cascades

ICCV17 shotlight
作者：Chen Huang， CMU postdoctor，导师 Deva Ramanan

summary

文章主要贡献在于速度与精度的权衡（AUC 0.638，fps 23），通过强化学习策略，来控制网络的深度，使得精度和速度最佳。目前的跟踪算法大多数可以分为两类：基于lower feature的CF类方法，这类方法速度极快，到精度不好；基于deep learning的网络方法，这类方法精度高，但速度慢，无法做到实时。本文构建了一种深度特征 cascades（瀑布?），然后在每一层进行目标检测，但检测结果符合要求时（用强化Q-learning做决策），则停止检测，输出结果；否则进入下一层继续搜索检测目标。
image

method

object location

对于 cheap features，文章用的是dcf&#x

最低0.47元/天 解锁文章
Wenju-Huang
关注
专栏目录
【小白笔记】EAST：Learning Policies for Adaptive Tracking with Deep Feature Cascades
Tominute的博客
09-16 989
1.主要贡献 2. 基本名词 2.1特征流 2.2强化学习 3. 基本方法 3.1SiamFC 3.2基于强化学习的决策模型 4.实验 这是ICCV17的一篇spotlight文章。论文地址 该论文主要提出了一种基于CNN特征跟踪的加速方法，用强化学习的思想选择可以判断跟踪结果的特征层，避免了继续的前向操作从而大大节省了时间。有不对的地方欢迎讨论~ ...
Learning Policies for Adaptive Tracking with Deep Feature Cascades全文翻译
weixin_44294645的博客
07-28 494
Learning Policies for Adaptive Tracking with Deep Feature Cascades翻译
ICCV 2017 EAST:《Learning Policies for Adaptive Tracking with Deep Feature Cascades》论文笔记
lch的博客
08-06 561
  理解出错之处望不吝指正。   本文模型叫做EAST。作者的动机是在不降低准确率的同时提升深层模型的速度。论文的主要思想：在SiameseFC中，所有帧都用conv5的特征去检测，EAST的出发点是(外观相似或不运动的)简单帧用简单特征如像素边缘就可以定位，(经历较大外观变化的)复杂帧才需要不变性更强的深度特征进行定位。       如何判读使用当前层特征得到的检测结果是否足够好（是否要...
Learning Policies for Adaptive Tracking with Deep Feature Cascades（深度增强学习、目标跟踪）
宿莽的专栏
03-09 2575
1.论文相关论文题目： "Learning Policies for Adaptive Tracking with Deep Feature Cascades." ICCV (2017)论文作者：Huang, Chen, S. Lucey, and D. Ramanan2.摘要        视觉目标跟踪是一个基本并且对时间要求苛刻的视觉任务。近几天提出的很多方法要么是利用浅层特征基于KCF的高速...
iccv2017-2 - EAST：Learning Policies for Adaptive Tracking with Deep Feature Cascades
小语733
12-19 474
看的第二篇iccv2017上的论文。Learning Policies for Adaptive tracking with Deep Feature Cascades 论文目标：在保证跟踪精度的同时提高跟踪速度。 主要思想：实现一种自适应方法，使用人工特征处理容易跟踪的图像，使用级联深度特征处理遮挡、模糊等在跟踪中有难度的图片。这样可以减少跟踪时间。将自适应跟踪问题转换成为一个决策过程。当一
deep learning(Adaptive Computation and Machine Learning series)
09-18
This book is about a solution to these more intuitive problems. This solution is to allow computers to learn from experience and understand the ...this reason, we call this approach to AI deep learning.
Actor-critic learning based adaptive super-twisting sliding mode control for uncertain robot 审稿
最新发布
qq_43546922的博客
09-15 364
审稿看到一篇纯灌水的神经网络NN(RBFNN、Actor-critic learning)和滑膜SMC(sliding mode control)结合换个应用对象纯灌水的投稿。
Active Object Localization with Deep Reinforcement Learning 解读
qq_40659154的博客
04-02 651
1.参考资料 （1）论文原文 （2）pytorch源码(arxiv提供) （3）tensorflow源码(arxiv提供) （4）pytorch源码修改版 在(2)基础上添加了一些注释，做了一些修改，方便理解。 2.论文解读 3.参考资料(4)文件解读 ...
论文笔记之：Active Object Localization with Deep Reinforcement Learning
a1424262219的博客
04-27 542
Active Object Localization with Deep Reinforcement Learning ICCV 2015 　　最近Deep Reinforcement Learning算是火了一把，在Google Deep Mind的主页上，更是许多关于此的paper，基本都发在ICML，AAAI，IJCAI等各种人工智能，机器学习的牛会顶刊，甚至是Na...
强化学习在计算机视觉领域的应用
weixin_46474546的博客
02-12 3502
目标跟踪： Learning Policies for Adaptive Tracking with Deep Feature Cascades (ICCV 2017, Paper, Code) 视觉导航： PRM-RL: Long-range Robotic Navigation Tasks by Combining Reinforcement Learning and Sampling-based Planning (2017, Paper, Code) Vision-based Navig
【ICCV 2015】深度强化学习目标定位
weixin_44378835的博客
05-28 845
Active Object Localization with Deep Reinforcement Learning
强化学习在目标跟踪中的应用
wang15771397344的博客
08-23 853
强化学习讨论的问题是智能体 (agent) 如何在一个复杂不确定的环境 (environment) 里去最大化它能获得的奖励。今天介绍三篇关于强化学习在目标跟踪中的工作，分别利用强化学习来决策使用的特征，多个跟踪器的切换以及是否更新模板。
ICCV 2017目标跟踪论文
没有最好，只有更好！
09-11 4855
值得看的ICCV 2017目标跟踪论文如下： 1） CREST: Convolutional Residual Learning for Visual Tracking. 2） Learning Background-Aware Correlation Filters for Visual Tracking. 3） Need for Speed: A Benchmark for Higher
My Jumble of Computer Vision
热门推荐
joshua_1988
08-25 1万+
I am going to maintain this page to record a few things about computer vision that I have read, am doing, or will have a look at. Previously I’d like to write short notes of the papers that I have rea...
深度增强学习方向论文整理
qunnie_yi的博客
11-28 2636
本文为知乎专栏作者Alex-zhai原创，已授权CSDN转载。 责编：王艺 一. 开山鼻祖DQN Playing Atari with Deep Reinforcement Learning，V. Mnih et al., NIPS Workshop, 2013. Human-level control through deep reinforcement learning, V. M...
Adaptive Normalized Risk-Averting Training for Deep Neural Networks
04-01
Adaptive Normalized Risk-Averting Training (ANRAT) is a method for training deep neural networks that aims to improve the robustness and generalization of the model. The main idea behind ANRAT is to ...
评论 2
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