深水航道

DeepTrack:在线学习有区别的特征表示,以实现鲁棒的视觉跟踪。深层神经网络虽然在各种计算机视觉任务的特征学习上取得了巨大的成功,但由于其需要很长的训练时间和大量的训练样本,因此通常被认为不适合在线视觉跟踪。在这项工作中,我们提出了一个有效且非常稳健的追踪算法,使用单一的卷积神经网路(CNN)来学习目标物体的有效的特徵表示,以纯线上的方式。我们的贡献是多方面的:首先,我们引入了一种新的截断结构损失函数,它可以保持尽可能多的训练样本,并降低跟踪误差累积的风险。第二,我们在CNN训练中使用了一种稳健的样本选择机制,对普通的随机梯度下降法进行了改进。采样机制通过考虑时间关系和标签噪声,从不同的时间分布随机生成正样本和负样本。最后,为CNN训练设计了一个懒惰而有效的更新方案。采用这种新的更新算法,CNN模型对视觉跟踪中长期存在的一些困难(如遮挡或错误检测)具有鲁棒性,并且不会对显著的外观变化失去有效的自适应能力。在实验中,我们的CNN跟踪器在最近提出的两个共涉及60多个视频序列的基准测试中,其性能优于所有比较过的最先进的方法。与现有跟踪器相比,性能的显著提高说明了所学习的特征表示的优越性

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换