Wenju-Huang的博客

David S. Bolme J. Ross Beveridge Bruce A. Draper Yui Man LuiSummarize by Wenju HuangAbstractThis paper present a novel tracking method that make correlation operation between input image f and

文章主要贡献在于速度与精度的权衡（AUC 0.638，fps 23），通过强化学习策略，来控制网络的深度，使得精度和速度最佳。目前的跟踪算法大多数可以分为两类：基于lower feature的CF类方法，这类方法速度极快，到精度不好；基于deep learning的网络方法，这类方法精度高，但速度慢，无法做到实时。本文构建了一种深度特征 cascades（瀑布?），然后在每一层进行目标检测，但检测结果符合要求时（用强

最近在看joao F. Henriques在15年paimi上的KCF&DCF跟踪论文，其用到了循环矩阵来生产密集采样样本，并且用循环矩阵与傅里叶变换的关系来简化计算，即在频域用循环矩阵的基向量就可以表述循环矩阵。现对文章中循环矩阵与傅里叶相关的两个重要公式进行推导和证明。

眼底视网膜血管增强方法（三）形态学操作在图像处理中，我们经常把数学形态学作为工具用于图像的相关属性提取，或者对图像进行预处理和后处理。形态学的基本操有腐蚀、膨胀、开操作、闭操作、顶帽等

视网膜血管增强方法（二）Gabor滤波傅里叶变换自提出后被广泛地运用于信号、图像领域，但傅里叶变换是在整个时域进行分析，其变换到频域后丢失了原来的时域信息。对一整副图像进行傅里叶变换后，我们只能得到整副图像的频率分布情况，但很多时候我们是关心图像的局部频率分布，像边缘部分，这时傅里叶就无能无力了。为了使傅里叶具有局部特性，D.Gabor在1946年提出窗口傅里叶变换，即gabor变换

mean shift均值偏移算法，可以用于图像分割（类聚）或者视频跟踪。在图像分割上是寻找一副图像的特征空间中的概率密度极值点，以极值点为类聚来平滑分隔。概率密度主要用非参数概率密度估计方法，其中核密度估计较为常用。密度极值点的寻找用密度梯度方法进行迭代寻找。meanshift可分割需要建立在图像特征空间可分的基础上，也就是需要找到一个合适的特征空间，图像映射到这个空间上后，目标和背景可以

古人云“三个臭皮匠赛过诸葛亮”，以adaboost为代表的集成学习正是体现了古人的这个智慧，也就是说，对于弱学习器（性能比较差的学习器），通过某种算法把它们结合起来，使它们能够有缺互补，那么它们就能赛过诸葛亮（强学习器）。

With the theory of circulant matrices, this paper present a classification trained with all patches form a single image, which can reduce the redundancy of the random sample in the normal classification. What’s more, the characteristic is mapped to high-di

本文的motivation是用一个tree结构的multi-model CNN来解决tracking中的o遮挡、突然运动、跟丢等难题，以提高跟踪的精度。CNNs目标跟踪领域最大问题是target appearance的改变，为了应对这个问题，目前常用的方法是进行online update。但online update是基于目标缓慢变化这个前提假设进行的，当目标被遮挡或者跟丢时，跟踪器就学习了背景特征从而失效。因此本文