【论文笔记】Object Tracking_简略版_201608
2016-08-16 15:06
453 查看
【1】Held, D., Thrun, S., & Savarese, S. (2016). Learning to Track at 100 FPS with Deep Regression Networks. arXiv preprint arXiv:1604.01802.
这篇文章提出了一种基于深度学习的目标跟踪算法,有以下几个特点:
1)快,100fps,比之前大多数采用深度学习的跟踪算法都快。
2)基于线下训练,不需要在线的学习。
3)测试目标可以不同于线下训练的数据集,当然,如果训练集里包含同样的类别,跟踪精度会有一定程度的提高。
这个算法需要两帧图像作为输入,使用前一帧的图像和目标检测框(扩展区域)、当前帧图像和同样区域,根据已训练好的深度神经网络,预测当前帧的目标所在位置。
![](https://oscdn.geek-share.com/Uploads/Images/Content/201608/247825bfc2377e40b1d3ed77716c8e86)
PS: 最喜欢有code的好论文,安装测试了一下(使用作者提供的模型,测试集中类别没有出现在训练集中),效果看上去不错,速度也很快。
![](https://oscdn.geek-share.com/Uploads/Images/Content/201608/7d3a4598794d5c77b7385fb771af95fb)
缺点是对于一些遮挡和重叠的情况,会出现跟丢的情况(白色矩形框为ground truth, 红色矩形框为跟踪结果)。
这篇文章提出了一种基于深度学习的目标跟踪算法,有以下几个特点:
1)快,100fps,比之前大多数采用深度学习的跟踪算法都快。
2)基于线下训练,不需要在线的学习。
3)测试目标可以不同于线下训练的数据集,当然,如果训练集里包含同样的类别,跟踪精度会有一定程度的提高。
这个算法需要两帧图像作为输入,使用前一帧的图像和目标检测框(扩展区域)、当前帧图像和同样区域,根据已训练好的深度神经网络,预测当前帧的目标所在位置。
PS: 最喜欢有code的好论文,安装测试了一下(使用作者提供的模型,测试集中类别没有出现在训练集中),效果看上去不错,速度也很快。
缺点是对于一些遮挡和重叠的情况,会出现跟丢的情况(白色矩形框为ground truth, 红色矩形框为跟踪结果)。
相关文章推荐
- Online Object Tracking: A Benchmark 论文笔记
- 论文笔记:MDPTracking,Learning to Track: Online Multi-Object Tracking by Decision Making
- 论文笔记之:Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking
- Visual Object Tracking using Adaptive Correlation Filters 论文笔记
- Online Object Tracking: A Benchmark 论文笔记(转)
- Visual Object Tracking using Adaptive Correlation Filters (MOSSE)论文笔记
- Online Object Tracking: A Benchmark 论文笔记
- [论文笔记]Real-Time* Multiple Object Tracking (MOT) for Autonomous Navigation
- 论文笔记之:Fully-Convolutional Siamese Networks for Object Tracking
- Correlation Filter in Visual Tracking系列一:Visual Object Tracking using Adaptive Correlation Filters 论文笔记
- 论文笔记之:Learning to Track: Online Multi-Object Tracking by Decision Making
- Correlation Filter in Visual Tracking系列二:Fast Visual Tracking via Dense Spatio-Temporal Context Learning 论文笔记
- 【论文笔记】3D人脸重建_简略版(时时更新中)
- 论文笔记:Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks
- 论文笔记:Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks
- Rich feature hierarchies for accurate object detection and semantic segmentation论文笔记
- 13.5 论文笔记:目标追踪-CVPR2014-Adaptive Color Attributes for Real-time Visual Tracking
- Struck: Structrued Output Tracking with Kernels 论文笔记
- 论文笔记 《Selective Search for Object Recognition》
- [论文笔记4]Robust Object Detection via soft cascade