本文介绍了一种全卷积孪生网络结构用于对象跟踪，通过计算search image和模板目标图像的特征映射相似度，实现高效的目标定位。网络采用logistic loss训练，从视频数据库中提取样本进行训练。与其他方法相比，全卷积结构减少了计算量，但对翻译不变性的处理存在挑战。尽管有其他研究使用RNN和深度学习方法，但全卷积孪生网络提供了一种有效的跟踪策略。
摘要
任意目标追踪通常通过从训练视频中在线学习出一个目标的外观模型来解决。DNN能有效提升模型的丰富度，但却需要在线SGD调整网络参数，限制了速度。
本文提出一种基于全卷积孪生网络的基本追踪算法模型，能够已超实时的帧率达到目前最高的精度。
关键字：object-tracking, Siamese-network, similiarity-learing, deep-learning
1、简介
传统方法在线学习目标模型，如TLD，Struck，KCF等算法。但这类算法只从追踪视频本身进行学习，得到的模型相对简单。
但是由于追踪目标事先未知，只能通过最初的框选定，无法预先准备大量训练数据。
有些学者通过从相似任务中学习影子模型，并在实时跟踪中使用SGD更新网络参数。但这一方法效果并不好，并且SGD导致无法实时。
我们提出一个可供选择的方法。离线训练一个解决相似性学习的深度卷积网络。
ILSVRC提供了训练所需的数据。
2、利用深度相似学习的追踪
设一个函数f(z,x)，负责比较模板图像z和候选图像x的相似度。为了定位目标在新图像里的位置，需要遍历地进行比较，选出相似度最大的。
第一帧人为框定的作为初始的模板图像，相似度函数f从标记数据中学习得到。
孪生网络对两个输入都应用相同的变换ϕ，并用另一个函数g来比较他们的结果。f(z,x)=g(ϕ(z),ϕ(x))。
深度孪生卷积网已经被用在人脸验证、关键点描述子学习、one-shot字符识别等任务上。
任意目标追踪通常通过从训练视频中在线学习出一个目标的外观模型来解决。DNN能有效提升模型的丰富度，但却需要在线SGD调整网络参数，限制了速度。
本文提出一种基于全卷积孪生网络的基本追踪算法模型，能够已超实时的帧率达到目前最高的精度。
关键字：object-tracking, Siamese-network, similiarity-learing, deep-learning
1、简介
传统方法在线学习目标模型，如TLD，Struck，KCF等算法。但这类算法只从追踪视频本身进行学习，得到的模型相对简单。
但是由于追踪目标事先未知，只能通过最初的框选定，无法预先准备大量训练数据。
有些学者通过从相似任务中学习影子模型，并在实时跟踪中使用SGD更新网络参数。但这一方法效果并不好，并且SGD导致无法实时。
我们提出一个可供选择的方法。离线训练一个解决相似性学习的深度卷积网络。
ILSVRC提供了训练所需的数据。
2、利用深度相似学习的追踪
设一个函数f(z,x)，负责比较模板图像z和候选图像x的相似度。为了定位目标在新图像里的位置，需要遍历地进行比较，选出相似度最大的。
第一帧人为框定的作为初始的模板图像，相似度函数f从标记数据中学习得到。
孪生网络对两个输入都应用相同的变换ϕ，并用另一个函数g来比较他们的结果。f(z,x)=g(ϕ(z),ϕ(x))。
深度孪生卷积网已经被用在人脸验证、关键点描述子学习、one-shot字符识别等任务上。
2.1 全卷积孪生网络结构
最低0.47元/天 解锁文章
910
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
