目标跟踪_深度学习.pptxVIP

深度学习在目标跟踪中的应用;经典目标跟踪方法 基于深度学习的目标跟踪方法 跟踪方面的资料;经典目标跟踪方法 基于深度学习的目标跟踪方法 跟踪方面的资料;构建目标描述模型时，模型可分为产生式模型和判别式模型。 产生式模型主要是通过计算目标和样本的联合概率，找到与目标模型最相近的样本作为当前目标状态的估计。 判别式模型则是计算条件概率，直接判断样本是否为目标。 根据构建模型的不同，跟踪算法可以分为：产生式方法、判别式方法 产生式方法 通过建立描述目标外观形状的模型来实现跟踪。即在下一帧图像中寻找最接近目标模型的物体的位置。这种“最接近”通常用最大似然或最大后验概率的形式来表示。 产生式方法着眼于对目标本身的刻画，忽略背景信息，在目标自身变化剧烈或者被遮挡时容易产生漂移。 产生式方法分为：点跟踪、核跟踪、轮廓跟踪、基于稀疏表示的跟踪。;判别式方法 把跟踪看成目标和背景的分类问题，与传统的跟踪算法不同，它不需要建立复杂的观测模型来描述目标，而是通过训练分类器来将目标从背景中提取出来。 分类器常用于目标检测中，在背景中检测目标的位置。在背景中得到了目标的位置也就实现了目标跟踪。因此，这种方法也被称作基于检测的跟踪（Tracking-by-Detection） 判别式方法因为显著区分背景和前景的信息，表现更为鲁棒，在目标跟踪领域占据主流地位。 值得一提的是，目前大部分深度学习目标跟踪方法也归属于判别式框架。;判别式方法的主要步骤： 已知目标初始位置，抽样提取当前帧的正负样本，在线训练分类器； 读入下一帧图像，一般假设前后两帧目标的位置不变，在目标位置周围抽取图像样本； 将抽取的样本送入之前训练的分类器，根据分类器得分最高的样本即可确定目标的新位置。 由于目标的各种外观信息都包含在训练分类器所需的正负样本中，因而判别式方法具有很好的鲁棒性，能够有效地处理真实场景中遇到的目标尺度变化、光照变化、部分遮挡等问题。;判别式方法采用的分类器有很多种： 1）Boosting分类器 2）贝叶斯分类器 3）SVM（支持向量机）分类器 4）随机森林分类器 5）RLS（正则化最小二乘法）分类器 6）神经网络分类器 7）…;经典目标跟踪方法 基于深度学习的目标跟踪方法 跟踪方面的资料;不同于检测、识别等视觉领域深度学习一统天下的趋势，深度学习在目标跟踪领域的应用并非一帆风顺，其主要问题在于训练数据的缺失。 深度模型的魔力之一来自于对大量标注训练数据的有效学习，而目标跟踪仅仅提供第一帧的bounding-box作为训练数据。这种情况下，在跟踪开始针对当前目标从头训练一个深度模型困难重重。 目前基于深度学习的目标跟踪算法采用了几种思路来解决这个问题： 1、利用辅助图片数据预训练深度模型，在线跟踪时微调 2、利用现有大规模分类数据集预训练的CNN分类网络提取特征 3、利用跟踪序列预训练，在线跟踪时微调 4、运用递归神经网络进行目标跟踪的新思路;1、利用辅助图片数据预训练深度模型，在线跟踪时微调 在目标跟踪的训练数据非常有限的情况下，使用辅助的非跟踪训练数据进行预训练，获取对物体特征的通用表示(general representation )。在实际跟踪时，通过利用当前跟踪目标的有限样本信息对预训练模型微调(fine-tune)，使模型对当前跟踪目标有更强的分类性能。 这种迁移学习的思路极大的减少了对跟踪目标训练样本的需求，也提高了跟踪算法的性能。 代表性文章：DLT、SO-DLT（都出自香港科技大学王乃岩博士） DLT(NIPS2013)?Learning a Deep Compact Image Representation for Visual Tracking SO-DLT(arXiv2015)?Transferring Rich Feature Hierarchies for Robust Visual Tracking;2、利用现有大规模分类数据集预训练的CNN分类网络提取特征 直接使用ImageNet这样的大规模分类数据库上训练出的CNN网络如VGG-Net获得目标的特征表示，之后再用观测模型(observation model)进行分类获得跟踪结果。 这种做法既避开了跟踪时直接训练large-scale CNN样本不足的困境，也充分利用了深度特征强大的表征能力。 代表性文章：FCNT、HCF FCNT(ICCV15)?Visual Tracking with Fully Convolutional Networks HCF(ICCV15) Hierarchical Convolutional Features for Visual Tracking ;3、利用跟踪序列预训练，在线跟踪时微调 前面介绍的两种解决训练数据不足的策略和目标跟踪的任务本身存