目标跟踪(四):Fully-Convolutional Siamese Networks for Object Tracking (SiameseFC)
2018-01-09 10:26
1196 查看
论文:Fully-Convolutional Siamese Networks for Object Tracking
2:数据的训练问题,特征提取网络是通过大量数据离线训练得到的,且网络支持任意大小的图片输入,详见训练数据的预处理(Data Curation)部分。
3:网络结构选择了AlexNet,代码中对conv中的padding设置均为VALID,实验表明若全部设置为SAME,最终的跟踪结果在OTB100上有十几个百分点的下降,这是由于感受野覆盖了整个输入图片,致使最终学习到的都是中心位置。我觉得网络结构也可以考虑其他的,如VGG,ResNet等等。
4:实验结果及其他细节可参考论文原文及代码。
核心点
全卷积孪生网络,论文中就是一个相似性度量的问题,通过模板匹配的方式计算出模板图片和待检测图片各个位置之间的相似度,相似度最高的点即为目标,网络结构如下,z为模板图片,x为待检测图片,分别通过相同的特征提取函数(论文中为AlexNet),最后卷积(模板匹配的一种形式)得到最后的相似度矩阵。该网络简单有效,性能好且速度极快(86FPS)。其他点
1:性能好,速度快(86FPS),方法简单有效,所以后面有很多Tracking的研究是基于SiameseFC方法的。2:数据的训练问题,特征提取网络是通过大量数据离线训练得到的,且网络支持任意大小的图片输入,详见训练数据的预处理(Data Curation)部分。
3:网络结构选择了AlexNet,代码中对conv中的padding设置均为VALID,实验表明若全部设置为SAME,最终的跟踪结果在OTB100上有十几个百分点的下降,这是由于感受野覆盖了整个输入图片,致使最终学习到的都是中心位置。我觉得网络结构也可以考虑其他的,如VGG,ResNet等等。
4:实验结果及其他细节可参考论文原文及代码。
相关文章推荐
- 物体跟踪-Fully-Convolutional Siamese Networks for Object Tracking
- 论文笔记之:Fully-Convolutional Siamese Networks for Object Tracking
- Fully-Convolutional Siamese Networks for Object Tracking
- tensorfolw配置过程中遇到的一些问题及其解决过程的记录(配置SqueezeDet: Unified, Small, Low Power Fully Convolutional Neural Networks for Real-Time Object Detection for Autonomous Driving)
- 目标跟踪算法——HCF:Hierarchical Convolutional Features for Visual Tracking
- 论文笔记之:Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking
- 跟踪“Visual Tracking with Fully Convolutional Networks”
- Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking
- 【深度学习:目标检测】RCNN学习笔记(8):Fully Convolutional Networks for Semantic Segmentation(全卷积网络FCN)
- 目标检测--R-FCN: Object Detection via Region-based Fully Convolutional Networks
- 【深度学习:目标检测】 RCNN学习笔记(11):R-FCN: Object Detection via Region-based Fully Convolutional Networks
- 目标跟踪之“Robust Visual Tracking with Deep Convolutional Neural Network based Object Proposals on PETS”
- Visual Tracking with Fully Convolutional Networks
- 目标检测“Perceptual Generative Adversarial Networks for Small Object Detection”
- 论文笔记《Learning Multi-Domain Convolutional Neural Networks for Visual Tracking》
- 深度学习笔记(一):Learning Multi-Domain Convolutional Neural Networks for Visual Tracking
- 《Fully Convolutional Networks for Semantic Segmentation》论文笔记
- 【图像语义分割】Fully Convolutional Networks for Semantic Segmentation
- 目标检测--PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
- 目标跟踪之CVPR_2017_Attentional Correlation Filter Network for Adaptive Visual Tracking