unsupervised deep tracking **位址
師兄也提過弱監督遲早要用到跟蹤上來，只不過自己確實是想不出使用的方式，今年的cvpr果然就出了一篇，算是開山之作了把，在dcfnet上面做的，在同乙個資料集上訓練的精度已經比siamfc高了，讓我這個還在想如何在siamfc上做改進的，突然就有種想換框架的感覺，17年的**，現在看來已經太老了呀。這篇就是很巧妙的用前向和後向回溯方式來一起做**，希望從後向傳回來的東西和第一幀隨機選擇的框一樣，這樣在訓練過程中其實帶了一定的物體軌跡的資訊，他們的三幀訓練的方式確實可以借鑑，就是使得目標在訓練的不偏移。
整篇文章看下來，思路比較簡單巧妙，下圖（a）是文中無監督學習的動機，他們認為當我們用前向傳播中根據幀 i **出 i+1 幀的結果，和用 i+1 來反向**i幀的結果應該一樣，這樣算乙個loss就可以得到這個損失，就可以優化。
圖（b）是網路的框架，就是dcfnet的框架，不過上下兩個塊我們可以看出，他是把幀1和幀2分別作為template，通過使用幀1**出的幀2的結果作為幀2的偽標籤，然後去用這個偽標籤來**幀1的位置，最後與真正的標籤做乙個loss。具體模組內實現過程如下：
1 unsupervised learning prototype
他們使用相關濾波方式來實現前向傳播，找到search patch中的target。在反向的時候，就是把相關濾波中的search patch和template patch互換一下，並不是我們平常理解的梯度下降那種反向傳播了。具體的方式都可以從dcfnet裡找到，已經開源了，不過是matlab版本的。
2 unsupervised learning improvements
在前向傳播的過程中，tracker很可能會偏離軌跡，但是經過反向的修正，能保證它回到正確位置，但是其中中間偏移的幀並沒有做懲罰，這裡他們提出了乙個多幀驗證策略來懲罰這些幀。
2.1 multiple frames validation
跟之前只用對來訓練的方式不一樣，他們用了三幀的訓練，就是讓這個前向多走一幀，然後用第三幀的結果**第一幀，這樣應變的情況更多，如下圖：
當然這是基於相鄰幀之間的運動不大的假設上的。
2.2 cost-sensitive loss
他們在訓練的時候，用的是相鄰三幀來做，他們發現由於訓練資料較少，所以得到的loss會很大，所以這裡他們先加了乙個10%的dropout，其次他們加上了運動的loss，就是相鄰幀之間的運動資訊，最後把這些資訊一起歸一化後，得到權重係數：
最終的loss如下，感覺還是很精心設計了的。
3 train details精度還可以，不過速度應該不快？udt+是指使用了自適應模型更新權重。
這篇文章的方法又簡單又有效，若是你看了這篇文章就會覺得：啊，原來是這樣。
優點就是貢獻那塊了，多幀訓練，利用幀間的運動的資訊確實可以借鑑一下。個人認為這麼做有用，一方面是前向反向保證tracker的魯棒性，一方面是隨機的bbox可能會引入更多的目標類別以及目標所經歷的一系列遮擋、尺度變換等變換。
對於缺點的話，他們自己在文中提到了難以適應複雜場景，不過幾乎所有的tracker都存在這個問題，然後就是他們計算複雜度很高。
目標跟蹤小結
一 引言 在需要監控的環境裡，如何能夠判斷出進入特定區域的目標，並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等資訊。3 預處理 由於獲得的影象總...
目標跟蹤小結
一 引言 在需要監控的環境裡，如何能夠判斷出進入特定區域的目標，並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等資訊。3 預處理 由於獲得的影象總...
Camshift目標跟蹤
camshift演算法是continuously adaptive mean shift algorithm的簡稱。它是乙個基於meansift的改進演算法。它首次由gary r.bradski等人提出和應用在人臉的跟蹤上，並取得了不錯的效果。由於它是利用顏色的概率資訊進行的跟蹤，使得它的執行效率比...