知识卡片
CNN接入跟踪的两条路线
把卷积网络引入跟踪有两条路。路线一:用 ImageNet 预训练网络(VGG、ResNet 等)当特征提取器,替换 HOG、颜色名等手工特征,分类器仍是相关滤波。改动小、可离线、不需要跟踪数据训练,精度提升却很明显,HCF、DeepSRDCF、ECO 都属此类。路线二:把整个跟踪器做成端到端网络,或用离线视频训练回归、孪生网络,或在测试时对网络在线微调;一致性好,但依赖大规模视频与算力,在线微调则慢且易漂移。本章选路线一,保留 KCF 的高速骨架,只把特征换成多层加权融合的深度特征。代价是深度特征分辨率低、计算贵,需要选层、加权、降采样才能在精度与帧率之间站住。
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
原书出处 · 1 处
- 第7章 基于卷积神经网络与人脑记忆模型的目标跟踪算法 · 查看原书依据
目前,基于CNN的运动目标跟踪算法主要可分为两类:①将预先训练好的DNN作为相关滤波类算法的特征提取器,提取比手工特征更为鲁棒的DNN的特征,供分类器学习
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第7章 基于卷积神经网络与人脑记忆模型的目标跟踪算法(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt007.html)
- 结论依据:把卷积网络引入跟踪有两条路。
- 原始内容:目前,基于CNN的运动目标跟踪算法主要可分为两类:①将预先训练好的DNN作为相关滤波类算法的特征提取器,提取比手工特征更为鲁棒的DNN的特征,供分类器学习