autocyz

Hierarchical convolutional Features for visual tracking算法概要这篇文章所提出的算法在本质上还是cf那一套框架，作者着重改变的是目标的特征描述。在以往的cf中，大家用的都是常用的物体特征描述，比如HOG，但是这种特征毕竟是manual的，当目标本身的appearance发生较大的改变时，manual型的特征不能很好的适应。注意到在物体检测识别领域

Accurate Scale Estimation for Robust Visual Tracking我在前面一篇博客“相关滤波跟踪（MOSSE）”中讲了相关滤波跟踪的原理，但是因为那篇文章没有提供代码，所以就没法深入的研究他，而且纯理论看起来会很枯燥。后来Martin Danelljan 对MOSST做了改进，并增加了多尺度跟踪，改进效果很显著，在今年的VOT上，其测试效果是第一的。其文章名为A

相关滤波跟踪（MOSSE）在信号处理中，有这么一个概念——相关性（correlation），用来描述两个因素之间的联系。而相关性又分为cross-correlation（互相关，两个信号之间的联系）和auto-correlation（自相关，本身在不同频域的相关性）。2010年CVPR，David S.Bolme在文章《visual object tracking using adapti

Fast Compressive Tracking（快速压缩跟踪）虽然目前有很多种的跟踪算法，但是由于姿态的变化、光照的变化、障碍物等原因的存在，导致很多算法的鲁棒性不好。目前比较主流的跟踪算法有两种，generative  tracking algorithms（生成跟踪算法）和discriminative algorithms（判别跟踪算法）。生成跟踪算法，顾名思义边生成边跟踪

内容复制过来，结果没法保存，所以直接给个链接吧。。。。。。http://blog.sciencenet.cn/blog-849193-834792.html 涵盖内容如下： 一、特征提取Feature Extraction：二、图像分割Image Segmentation：三、目标检测Object

中国计算机学会推荐国际学术刊物1、A类刊物简称刊物全称出版社网址AIArtificial IntelligenceElsevierhttp://www.journals.elsevier.com/artificial-intelligence/TPAMIIEEE Trans on Patte

1、怎么将CNN用在特定的任务中众所周知CNN的使用往往需要大量的训练样本，但是我们在很多特定任务中是没法获得像imageNet那样庞大的样本库，因此如何在小样本中使用CNN是一个难题。后来很多学者经过研究发现CNN的模型有很好的泛化性能，即在大样本库中训练好的CNN模型对于特定的任务也有不错的性能。一些学者根据这个特性提出了fine-tune的方法，如上图所示。我们首先在big dataset上训

文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》 算法简称：GOTURN（Generic Object Tracking Using Regression Networks） 作者是斯坦福的David Held 文章以及附件：http://davheld.github.io/GOTURN/GOTURN.htm

Fully-Convolutional Siamese Networks for Object Tracking这两年可以说deeplearning已经占领了visual object tracking这个领域，但是对于跟踪问题来说，这些基于DL的做法虽然能够很好的提升跟踪的效果，但是在时效性这一方面却做的很差，这是因为DL复杂的模型往往需要很大的计算量，尤其是当使用的DL模型在跟踪的时候对模型进行