利用深度回归网络以100 FPS学习跟踪
计算机视觉与模式识别
2016-08-17 v2 人工智能
机器学习
机器人学
摘要
机器学习技术常用于计算机视觉，因为它们能够利用大量训练数据来提高性能。不幸的是，大多数通用目标跟踪器仍然是在线从头训练，并未受益于大量可用于离线训练的现成视频。我们提出了一种神经网络离线训练方法，可在测试时以100 fps跟踪新物体。我们的跟踪器比之前使用神经网络进行跟踪的方法显著更快，那些方法通常运行非常缓慢且不适用于实时应用。我们的跟踪器使用简单的前馈网络，无需在线训练。该跟踪器学习了物体运动与外观之间的通用关系，可用于跟踪未出现在训练集中的新物体。我们在标准跟踪基准上测试我们的网络，以展示跟踪器的最先进性能。此外，随着我们向离线训练集添加更多视频，性能进一步提升。据我们所知，我们的跟踪器是首个以100 fps学习跟踪通用物体的神经网络跟踪器。
引用
@article{arxiv.1604.01802,
title = {Learning to Track at 100 FPS with Deep Regression Networks},
author = {David Held and Sebastian Thrun and Silvio Savarese},
journal= {arXiv preprint arXiv:1604.01802},
year = {2016}
}
备注
To appear in European Conference on Computer Vision (ECCV) 2016