知识卡片
深度跟踪从在线微调到匹配
2015 年前后,深度学习进入目标跟踪,并在 VOT 等竞赛中显示出优势。代表性工作可按“深度特征怎么用”排列:
- MDNet:用多域卷积网络在多个视频序列上预训练,学出通用的目标表示,测试时再对当前序列微调,把“通用性”和“特异性”分开处理。
- DeepSRDCF:把深度特征送入相关滤波,并对滤波器加空间正则,抑制背景区域的响应。
- HCF:分层使用卷积特征,浅层分辨率高、利于精确定位,深层语义强、利于抗干扰,两者互补。
- RATM:用循环注意力机制在时间维度上选择可靠特征。
- SiameseFC:全卷积孪生网络,把跟踪化为模板与搜索区域的互相关匹配,无需在线更新,速度优势明显。
- SiamMask:在孪生框架上同时输出掩码,把跟踪与分割统一起来。
总体趋势是从“每帧在线微调、精度高但慢”转向“离线学习匹配函数、速度快但依赖模板质量”,后续方法多在两者间寻找平衡。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
之后,越来越多基于深度学习的目标跟踪算法被提出,具有代表性的有Ma等提出的分层卷积特征算法(Hierarchical Convolutional Features,HCF)
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第1章 概述(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt001.html)
- 结论依据:2015 年前后,深度学习进入目标跟踪,并在 VOT 等竞赛中显示出优势。
- 原始内容:之后,越来越多基于深度学习的目标跟踪算法被提出,具有代表性的有Ma等提出的分层卷积特征算法(Hierarchical Convolutional Features,HCF)