TLD算法中的Learning部分解读
2014-02-16 20:30
295 查看
跟踪算法大致可分为三大部分:1 外表模型,appearance model 用来对跟踪物体的外表进行建模;2 运动模型,用来对物体的运动轨迹预测建模,比如卡尔曼滤波和粒子滤波;3 搜索机制,用来找ground truth的位置及被跟踪物体的位置。这里说的learning部分 其实就是运动模型,所谓的P-N learning ,就是根据物体运行的方向速度建立一个tracker 预测下一帧里物体的位置,这里只是一个大致的范围,然后在这个范围里用detector 来找到最有可能的物体的位置。这种学习策略说
起来时为了造成一个error compensation.就是tracker可能是错误的,因为物体的运动是不规律的,所以不是很准确。而 detector一般是更准的,但是它更费时,所以在tracker预测的局部检测降低时间花费,这两个部分相互补偿彼此的不足,说到这里是不是觉得P-N learning 也不过如此。
以上只是我的看法欢迎纠正。
起来时为了造成一个error compensation.就是tracker可能是错误的,因为物体的运动是不规律的,所以不是很准确。而 detector一般是更准的,但是它更费时,所以在tracker预测的局部检测降低时间花费,这两个部分相互补偿彼此的不足,说到这里是不是觉得P-N learning 也不过如此。
以上只是我的看法欢迎纠正。
相关文章推荐
- TSN算法的PyTorch代码解读(测试部分)
- TLD(Tracking-Learning-Detection)一种目标跟踪算法
- Tracking-Learning-Detection (TLD算法总结)
- TLD(Tracking-Learning-Detection)算法学习与源码解析(三)之 tld.cpp源码解析
- Playing Atari with Deep Reinforcement Learning算法解读
- TLD(Tracking-Learning-Detection)算法学习与源码解析(四)之LKTracker源码分析
- Tracking-Learning-Detection (TLD算法总结)
- TLD(Tracking-Learning-Detection)算法学习与源码解析(五)之FerNNClassifier.cpp源码解析
- TLD(Tracking-Learning-Detection)算法学习与源码解析(一)之算法概述
- TSN算法的PyTorch代码解读(训练部分)
- 解读Cardinality Estimation<基数估计>算法(第一部分:基本概念)
- TLD(Tracking-Learning-Detection)算法学习与源码解析(二)之runtld.cpp源码解析
- Java基础部分-数组和简单算法
- 贪心算法——部分背包问题(贪心策略内容)
- [DeeplearningAI笔记]改善深层神经网络_优化算法2.1_2.2_mini-batch梯度下降法
- Primer STL笔记第二部分容器与算法
- Python机器学习----第1部分 环境安装及算法介绍
- 探索推荐引擎内部的秘密,第 3 部分: 深入推荐引擎相关算法 - 聚类
- PHP部分常见算法
- 避免图像去雾算法中让天空部分出现过增强的一种简易方法。