2020略读Learning Feature Embeddings for Discriminant Model based Tracking

最新推荐文章于 2024-08-11 20:33:24 发布

汽车行业小硕妹子

最新推荐文章于 2024-08-11 20:33:24 发布

阅读量633

点赞数 1

分类专栏： siamese 文章标签：神经网络

本文链接：https://blog.csdn.net/weixin_44287997/article/details/111247204

版权

该文提出了一种新的在线判别跟踪架构——离散余弦变换，它学习用于跟踪的最优特征嵌入。通过集成可微判别模型的求解器到卷积神经网络中，实现端到端训练，解决了传统方法中的循环样本和负边界效应问题。实验表明，这种方法在保持实时速度的同时，提高了跟踪精度，为视觉跟踪设立了新的基线。

摘要由CSDN通过智能技术生成

Learning Feature Embeddings
for Discriminant Model based Tracking
基于判别模型跟踪的学习特征嵌入
详情见知乎链接
https://www.bilibili.com/read/cv7848324/
在观察到大多数在线判别训练跟踪器中使用的特征不是最优的之后，本文提出了一种新颖有效的结构来学习用于在线判别跟踪的最优特征嵌入。我们的方法，称为离散余弦变换，将可微的判别模型的求解器和一个封闭形式的解集成到卷积神经网络中。然后，可以以端到端的方式训练所得到的网络，为基于判别模型的跟踪器获得最佳特征嵌入。
本文提出了一种新颖有效的学习最优特征嵌入的在线鉴别跟踪体系结构。我们提出的网络接收一对图像，训练图像和测试图像，作为离线训练的输入。首先，设计一个有效的子网络，从每幅输入图像中提取目标物体周围真实且密集样本的特征。然后，训练一个可微分且具有封闭形式解的判别模型，以将训练图像中的样本拟合到它们的标签。最后，训练好的判别模型预测测试图像中样本的标签，并计算预测损失。这样，判别模型的训练就不像KCF那样需要循环样本和合成样本，自然避免了负边界效应。另一方面，因为它是可微的，并且具有封闭形式的解，所以它的求解器可以在训练期间作为具有向前和向后过程的层集成到CNNs中。因此，产生的网络可以以端到端的方式训练，为基于判别模型的跟踪器获得最佳特征嵌入
在这里插入图片描述
用于学习特征嵌入的建议网络的完整架构。对于每个输入图像，通过均匀采样产生具有目标尺寸的N个感兴趣区域。从输入图像中提取的块3和块4主干特征映射首先通过两个卷积