TensorFlow知网文章1-TensorFlow平台下的视频目标跟踪深度学习模型设计

本文介绍了一种基于TensorFlow平台的视频目标跟踪深度学习模型的设计方法。利用卷积神经网络(CNN)自动提取特征,提高了识别的准确性和智能性。通过调整网络层数和节点数,实现了高效的识别效果。

1TensorFlow平台下的视频目标跟踪深度学习模型设计

视频目标识别与跟踪的本质是在连续视频帧中找到感兴趣的运动目标所处的位置。

    现有很多成熟的算法可以实现此功能,如基于粒子滤波的目标跟踪算法和基于

meanshift的目标跟踪算法等。有些学者在目标跟踪方法中融入机器学习的思想,如

支持向量机(SVM)和AdaBoost分类算法等,这些算法都需要手动提取特征,随着识别

对象的改变,通常需要重新设计特征,而深度学习能够自动提取并学习更深层次的特征,

具有事弓吊的话用性和智能性。   

通常的神经网络结构中,隐层神经元与图像像素点进行全连接,当神经元数量过多时,权值参数庞
大。在图像识别领域最适合的网络结构是卷积神经网络,其比普通的神经网络增加了
卷积层和降采样层
其中,卷积层较好地提取相邻像素之间的共同特性,具有权值共享特性,能够大量减少神经网络训练过程中
的参数数量;降采样层可以保证位移不变。

卷积神经网络的训练过程可分为前向传播和后向传播两个阶段

神经网络的层数和节点数对识别效果具有十分重要的作用,网络层数和节点数太少,识别精度会变差,
而层数和节点数过多,训练时间和识别时间又会增加。经验表明,一般构建5}7层神经网络即可达到较好
的效果;卷积节点数可以为几十到数百不等,但通常为偶数,如16,32,64,
128。

通过增加卷积层层数和每层节点数,可以在一定程度上提升识别精度

    TensorFlow具有编程简单、优化算法集成度高、使用灵活的特性,能够有效提升建模、编程和分析的效
率。使用TensorFlow平台设计了用于图像目标跟踪识别的深度学习流程及框架,介绍了TensorFlow的平
台特性和在深度学习应用中的优势,并据此进行了相应的实验。
    使用TensorFlow搭建的高效深度学习模型,能够便捷调整网络层数和网络节点数,同时其具有并行式
运算结构,可调用UPU进行运算,因此运算速度较快,可以快速找到运行效率最高的网络结构。相比于其
他软件平台下的深度学习模型,该模型能够保证识别的准确率和成功率,在处理速度上具有较大优势,可见
基于TensorFlow设计深度学习模型具有较大的开发应用潜力。






评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值