目标跟踪《十五》--- CascadedRPN论文笔记

目标跟踪《十五》--- CascadedRPN论文笔记

abstract

最近基于RPN和siamese 网络的tracking比较精确和高效,但是仍然有drawbacks,比如当有很相似的distractors和当scale变化比较大的时候都容易出现跟飞的情况.

本文提出了一个multi-stage的tracking framework, 叫做Cascaded RPN(C-RPN),即将多个RPN串连起来,前一个RPN的输出作为后一个RPN的输入。优点有下面三条

  1. 每个RPN用的都是前面的输出,这个过程会同时进行hard negative sampling,会使得训练样本更加地平衡.(为什么?)

  2. Multi-level的features通过一个叫FTB的block会得到一个平衡的使用,相当于同时结合了深层的语义和浅层的空间的信息.

  3. 经过多个steps的回归,相当于不断地进行refine,所以会得到比较精确的位置.

  4. 可以end-to-end的训练,在推理的时候并没有进行模板更新,可以做到实时跟踪.

打赏,谢谢~~

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码打赏,多谢支持~

打开微信扫一扫,即可进行扫码打赏哦