Wenju-Huang的博客

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

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