题外话:博主这段时间忙于办理签证,比较忙,一直没时间看论文。:-(
一、引言
深度学习具有强大的能力,但由于目标跟踪任务本身的特殊性,深度学习一直没能很好地发挥出自己的潜能。其中,导致深度学习算法速度慢的一个重要原因是online-update,即更新过程中的反向传播。那么,于是就人提出,是否可以不进行在线更新呢?而只在线下训练,测试时只进行前向的一次传递,这样的速度是很快的。
二、How
注意,本文不详细介绍每一篇论文,只介绍每篇论文是如何做到不在线更新,还保持准确率的。其中第一、二篇论文介绍,请参考本系列之前文章,第三篇请参考博主上一篇博文。论文链接之前也放出,这里不再列举。
1、GOTURN
Our tracker uses a simple feed-forward network with no online training required. The tracker learns a generic relationship between object motion and appearance and can be used to track novel objects that do not appear in the training set.
学习的是物体运动特征和外貌特征的关系,能够跟踪在训练过程中未出现过的物体。
2、Siamese Nets
网络学习的是一个相似度比较函数。
3、Re3 Net
CNN+LSTM网络。CNN捕捉外貌特征,LSTM捕捉运动特征,其中外貌特征是线下训练得到的,在测试过程中CNN参数是固定的,而LSTM也不进行反向传播。但LSTM的state会在前向传播中更新(注意,这个有别于反向传播的更新)。
此处未完,待更。
三、综述
个人觉得前两种方法比较牵强,当然都取得很好的效果。而第三种方法更加直观。像第一种方法,为什么能捕捉运动信息呢?而第二种,则是学习的是相似度函数,但看上去线下需要各种物体大量的训练数据,对新物体的效果应该会大打折扣。第三种方法,虽然因为无法在线更新,对新物体的特征无法学习,但是LSTM能够在前向过程中更新状态,可以理解为捕捉到最近几帧的运动特征,效果显然要比第一种好。