1、
kcf(kernelizedcorrelation filter)
是一種tracking bydetection的跟蹤方法，以跟蹤物件為正樣本，以周圍壞境為負樣本，訓練乙個判別分類器。之所以能有這麼快的速度，得益於作者巧妙地通過迴圈偏移構建出了分類器的訓練樣本，從而使得資料矩陣變成了乙個迴圈矩陣。然後基於迴圈矩陣的特性把問題的求解變換到了離散傅利葉變換域，從而避免了矩陣求逆的過程，降低了好幾個數量級的演算法複雜度。
2、cmt跟蹤演算法(cvpr 2015)
對於物體的視覺跟蹤，基本的思路就是能夠不斷監測到物體的特徵，從而不斷的得到物體的位置，實現跟蹤。常見的有三種方法：
第1是基於整體的模型來跟蹤，比如說tld，通過不斷的更新模型（也就是學習的過程）來實現對物體特徵的良好表示。
第2是基於物體的
區域性來跟蹤，就是將物體分解為多個部分，對每一部分進行單獨的跟蹤，採用光流等方法
第3是基於物體的
特徵點來跟蹤，就是實時的監測物體的特徵點，與一開始的特徵點進行匹配的方法來實現物體的跟蹤。
基於物體的特徵點來跟蹤，就是實時的監測物體的特徵點，與一開始的特徵點進行匹配的方法來實現物體的跟蹤。
計算特徵點的相對位置，以框的中心來進行計算，對於不形變的物體而言，不管物體怎麼移動旋轉，其上面的特徵點相對中心的距離是在縮放比例下是確定的，因此可以由此來排除不是的特徵點。從而判斷下一幀的影象中哪些特徵點是與當前的框中的特徵點相匹配。
作者獲取下一幀的特徵點做了兩部分工作：1是計算前一幀的框中的特徵點的光流，從而得到當前幀的特徵點位置，另乙個方法是直接計算當前幀的特徵點，並與上一幀的特徵點進行匹配，得到相匹配的特徵點，然後把兩個得到的特徵點都融合在一起。就得到了下一幀的初步的特徵點。然後在對特徵點進行篩選，採用的就是上一段說的方法。
3、ct
一種簡單高效地基於壓縮感知的跟蹤演算法。首先利用符合壓縮感知rip條件的隨機感知矩對多尺度影象特徵進行降維，然後在降維後的特徵上採用簡單的樸素貝葉斯分類器進行分類。該跟蹤演算法非常簡單，但是實驗結果很魯棒，速度大概能到達40幀/秒。
4、stc 時空上下文
通過貝葉斯框架對要跟蹤的目標和它的區域性上下文區域的時空關係進行建模，得到目標和其周圍區域低階特徵的統計相關性。然後綜合這一時空關係和生物視覺系統上的focus of attention
特性來評估新的一幀中目標出現位置的置信圖，置信最大的位置就是我們得到的新的一幀的目標位置。
另外，時空模型的學習和目標的檢測都是通過fft（傅利葉變換）來實現，所以學習和檢測的速度都比較快。
5、tld 「
顯著特徵點
」和檢測模組的目標模型及相關引數，從而使得跟蹤效果更加穩定、魯棒、可靠。
6、struck
提出一種基於結構輸出**的自適應視覺目標跟蹤的框架，通過明確引入輸出空間滿足跟蹤功能，能夠避免中間分類環節，直接輸出跟蹤結果。同時,為了保證實時性，該演算法還引入了閾值機制，防止跟蹤過程中支援向量的過增長。
7、mdnet（cvpr2016）
cnn獲得general
的目標表示能力的方法。mdnet提出multi-domain的訓練思路和如上圖所示的multi-domain network。該網路分為共享層和domain-specific
層兩部分。即:將每個訓練序列當成乙個單獨的domain,每個domain都有乙個針對它的二分類層(fc6)，用於區分當前序列的前景和背景，而網路之前的所有層都是序列共享的。這樣共享層達到了學習跟蹤序列中目標general的特徵表達的目的，而domain-specific層又解決了不同訓練序列分類目標不一致的問題。
近幾年Revit API英文講座
下面是各個講座錄影的介紹 revit 2012 webcast revit 2012 api updates may 19th,2011 revit 2011 webcast revit api may 20th,2010 webcast revit api what s new in 2011 r...
近幾年開發專案彙總
近幾年，無論工作還是平時接包的嵌入式專案，比較多，也比較雜。有很多朋友問起能做哪些，或有成功案例，會做哪些，都要解說半天。然後說得好象什麼都能做，什麼都沒說服力 這個假期，把近幾年的都總結一下，後面給朋友介紹也比較系統，詳實。有的專案儲存了，更多的只有介紹。只是簡單拍照，修改一下大小。這個平台下，做...
最近幾年做軟體專案的心得總結
做軟體外包經驗告訴我 1.做軟體需要人海戰術，軟體是需要大量的體力勞動，而不是腦力勞動。有一句俗話，乙個蘿蔔乙個坑，軟體專案的功能模組多了，每個功能都需要有乙個人盯，不斷改進不斷維護。而且功能劃分得越細了，工作量越大，需要的人越多，否則 會 產生幾萬的軟體外包公司？幾十個不是足夠了？曾經在上海做外包...