目标跟踪（二）：Learning Background-Aware Correlation Filters for Visual Tracking.(ICCV2017,BACF)
发布时间
阅读量：
阅读量
对于记忆力不太理想的人来说，在学术领域确实有很多文献值得研读。为了方便日后复习巩固和明确研究方向，《xxx》这种做法或许挺不错的。主要是为了以后方便回想的内容，并根据不同的学习阶段进行增删调整。当然也欢迎和其他人分享交流。
Developing a robust BACF framework for visual tracking in real-time applications.
核心点
传统CF方法中的负样本主要由目标图像块自身的偏移产生。传统的负样本缺乏除目标框之外背景信息这一关键要素，在这种情况下可能只能获得较次的效果。BACF则致力于将除目标框之外的重要背景信息纳入考量，在BACF的方法中，则是通过对包含目标的整体大图像进行周期性平移，并从平移后的整体大图像中截取相应的目标位置部分作为新的负样本实例。这样就能生成一个更加有效的滤波器用于特征检测。
其他点
1：CF算法的速度性能很好，KCF=173FPS,CFLB=87FPS,BACF=35FPS等。
识别更优特性的方法通常会带来较高的计算成本（例如深度学习算法需要从大量数据中提取复杂的特征，并进行长时间的训练与更新）。然而，在大多数深度学习方法中，并非所有技术都能实现在线处理。BACF基于HOG特征求取目标框定位效果显著，并且能够在线处理。在跟踪问题中，运行速度是一个至关重要考量因素。
3：边界效应问题可以参考文中提到的CFLB算法（待看）。
4：在BACF实验中，结合了基于HOG特征、基于深度特征以及基于深度学习的不同追踪器进行了比较分析。随后展示了结果图（其中OTB50应为OTB2013），其余细节建议进一步阅读论文。
5：Turbo BACF速度可以达到300+FPS,可惜暂时没有公开提速之后的BACF。
全部评论 (0)
还没有任何评论哟~