ICCV 2015 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
目录
- 写在前面
- 文章大意
- 一些benchmark
- 实验
- 实验设置
- 基本模型
- 数据集
- 实验1 Featrue Extractor
- 实验2 Observation Model
- 实验3 Motion Model
- 实验4 Model Updater
- 实验5 Ensemble Post-processor
- 结论
写在前面
今天打开csdn,想写这篇博客的时候,发现,哇,Markdown编辑器,赶紧试了一下,好用,哈哈。
理解出错之处望不吝指正。
文章大意
这篇文章是ICCV2015年的文章,我是看了浙大王萌萌学姐的目标跟踪综述视频才看了这篇文章。文章中根据不同跟踪器的共性,将跟踪器分为以下五个组成部分:
1. Motion Model,意为运动模型,代表模型中对于当前帧,如何根据上一帧的位置进行采样,得到候选bbox;
2. Feature Extractor,即特征提取,不需要过多解释;
3. Observation Model,这部分用于判断哪个候选bbox应作为当前帧的跟踪结果;
4. Model Updater,即模型更新部分,包括模型的更新策略、更新频次等;
5. Ensemble Post-processor,有些时候,一个跟踪系统中包含多个跟踪器,要将他们的跟踪结果结合才能得到最终的跟踪结果。
论文中通过实验进行验证,讨论了以上五部分对跟踪效果的影响,最终得出结论。
一些benchmark
实验
实验设置
基本模型
部分 | 采用 |
---|---|
Motion Model | 粒子滤波 |
Featrue Extractor | raw pixls of grayscale |
Observation Model | 岭回归 |
Model Updater | 选取的bbox得分大于阈值 |
Ensemble Post-processor | 没有 |
该模型的效果如下图(中等水平):
数据集
作者选择VTB1.0作为验证集。
实验1 Featrue Extractor
实验2 Observation Model
实验3 Motion Model
实验4 Model Updater
实验5 Ensemble Post-processor
作者测了两个其他论文里的模型:
结论
结论包括以下4点:
1. 在跟踪器中,Featrue Extractor是最重要的部分;
2. 其实Observation Model没那么重要;
3. Model Updater对跟踪效果有很大影响,但是现在很少有论文专门研究这部分;
4. Ensemble Post-processor是通用且有效的;
5. Model Updater和Motion Model可以显著的提高模型的跟踪效果。
ICCV 2015 《Understanding and Diagnosing Visual Tracking Systems》论文笔记相关推荐
- 论文笔记之Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 论文链接:http://dwz.cn/6qPeIb 本文的主要思想是为了剖析出一个跟踪算法中到 ...
- 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
本人为目标追踪初入小白,在博客下第一次记录一下自己的论文笔记,如有差错,恳请批评指正!! 论文相关信息:<Understanding and Diagnosing Visual Tracking ...
- 目标跟踪笔记Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 原文链接:https://blog.csdn.net/u010515206/article/d ...
- 论文笔记Understanding and Diagnosing Visual Tracking Systems
最近在看目标跟踪方面的论文,看到王乃岩博士发的一篇分析跟踪系统的文章,将目标跟踪系统拆分为多个独立的部分进行分析,比较各个部分的效果.本文主要对该论文的重点的一个大致翻译,刚入门,水平有限,如有理解错 ...
- 追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems)
追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems) PROJECT http://winsty.net/tracker_di ...
- Understanding and Diagnosing Visual Tracking Systems
文章把一个跟踪器分为几个模块,分别为motion model, feature extractor, observation model, model updater, and ensemble po ...
- ICCV 2017 UCT:《UCT: Learning Unified Convolutional Networks forReal-time Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做UCT.就像论文题目一样,作者提出了一个基于卷积神经网络的end2end的tracking模型.模型的整体结构如下图所示(图中实线代表online trackin ...
- ICCV 2017 CREST:《CREST: Convolutional Residual Learning for Visual Tracking》论文笔记
目录 动机 主要贡献 整体框架 详细介绍 重构DCF 剩余学习 Spatial层 Temporal层 跟踪过程 实验结果 动机 本文基于DCF进行改进,摘要中提到,基于DCF的跟踪器无法受益于端到端的 ...
- CVPR 2017 SANet:《SANet: Structure-Aware Network for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做SANet.作者在论文中提到,CNN模型主要适用于类间判别,对于相似物体的判别能力不强.作者提出使用RNN对目标物体的self-structure进行建模,用于提 ...
最新文章
- javascript解析json
- 找出无序数组最小的K个数(基于快排,效率高)
- 【OpenCV 例程200篇】46. 直方图均衡化
- 正则匹配后缀 html,如何用正则匹配后缀名不为.jpg, .css, .js, .html, .htm, .png的文件...
- c++ 项目_罗纳尔多相信C罗从事技巧类项目,其成就不会亚于他在足坛的成绩
- How can I force Python's file.write() to use the same newline format in Windows as in Linux (“\r\n”
- java string contains indexof,java.lang.String.contains()方法实例
- 学会用感情营销是最高的智慧
- Mac电脑上非常好用的英汉互译词典软件
- NWT失败反思:公司都死了,还怕得罪人
- ApolloStudio高手之路(4):用Python以最轻便的方式进行金橙子激光打标板卡二次开发(以EzCad2为载体二次开发)
- 决策树CART介绍*
- 小皮phpstudy中的mysql无法启动,启动就马上停止
- 「Python爬虫系列讲解」五、用 BeautifulSoup 爬取电影信息
- Unity - Timeline 之 Timeline window(Timeline窗口)
- DELETE_FAILED_INTERNAL_ERROR 小米之殇
- 大疆FPGA/芯片开发工程师(A卷)笔试题(含详解)
- 任正非:宁赔10亿,也要辞退7000员工!华为卸磨杀驴?却获网友点赞!
- PR AE安装成功后启动卡死的解决
- 计算机教室英语手抄报,我的教室英语手抄报
热门文章
- [云炬创业基础笔记]第六章商业模式测试18
- 云炬创业政策学习笔记20210106
- [我的1024开源程序]100元写的单词本说明书
- [MATLAB调试笔记]Field plot (Ex,Ey,Ez,By,Bz)
- 如何将ipynb转换为html,md,pdf等格式
- 编译原理之正则表达式
- C++中的STRING数据 重载 = 和数组下标
- pygame中使用事件扫描实现对按键的检测以及小游戏的编写
- 【CyberSecurityLearning 32】Apache配置、Apache的访问控制设定、LAMP平台的搭建
- Sublime插件开发 启动Anaconda并运行对应Python脚本