通过跟踪学习：用于鲁棒目标关联的孪生CNN
机器学习
2016-08-05 v3 计算机视觉与模式识别
摘要
本文提出了一种在行人跟踪背景下数据关联任务的新方法，通过引入两阶段学习方案来匹配检测对。首先，训练一个孪生卷积神经网络（CNN）来学习描述子，这些描述子编码两个输入图像块之间的局部时空结构，聚合像素值与光流信息。其次，一组源自被比较输入块的位置与大小的上下文特征，通过梯度提升分类器与CNN输出相结合，生成最终的匹配概率。这种学习方法通过使用一个基于线性规划的多人跟踪器得到验证，表明即使是一个简单高效的跟踪器，当输入我们学习到的匹配概率时，也可能胜过复杂得多的模型。在公开可用序列上的结果表明，我们的方法在多人跟踪中达到了最先进水平（state-of-the-art）。
引用
@article{arxiv.1604.07866,
title = {Learning by tracking: Siamese CNN for robust target association},
author = {Laura Leal-Taixé and Cristian Canton Ferrer and Konrad Schindler},
journal= {arXiv preprint arXiv:1604.07866},
year = {2016}
}