3、视觉 - 大脑假说：理论、机制与应用探索

视觉 - 大脑假说：理论、机制与应用探索

1. 研究背景

当前，视频行为识别面临诸多挑战。对视频行为的理解和表述通常依赖于目标跟踪及后续的运动分析，但由于被跟踪目标质心的意外移动，会导致外观变化和漂移问题，如姿态变化、光照变化、遮挡和运动模糊等，进而给行为理解和表述带来不确定性。因此，寻找更有效的视频行为识别算法十分必要。

目标跟踪算法可分为生成式跟踪和判别式跟踪：
| 跟踪算法类型 | 特点 | 缺点 |
| ---- | ---- | ---- |
| 生成式跟踪 | 不使用背景信息，学习子空间模型表示目标，通过该模型搜索重建误差最小的图像区域 | 需要足够的采样数据，外观模型需适应可能未对齐的示例，鲁棒性和效率可能因漂移问题降低 |
| 判别式跟踪 | 将实时目标跟踪任务视为二元分类任务，学习和选择最具判别性的特征进行高效跟踪 | 分类器用可能未对齐的示例不恰当更新时易产生漂移问题，且存在噪声示例 |

为避免对后续行为识别产生进一步影响，一些有效且高效的视频目标跟踪算法应运而生。其中，压缩跟踪研究表明，基于压缩域提取的特征可以很好地表示目标，近年来受到了广泛关注和应用。

2. 注意力机制

2.1 有人驾驶与无人驾驶系统的注意力机制差异

有人驾驶系统主要依靠个体智能，其注意力会受经验和个人兴趣选择的影响，危险预警级别越高，危险预知难度越大。

无人驾驶系统的注意力机制则大不相同，它表现为无人机、无人车或无人船等与监控系统、微芯片、卫星和通信站的群体协作。整个安全系统可视为一个微型社会，计算智能提高了无人驾驶系统的预警性能。

2.2