**名稱：《vehicle detection with automotive radar using deep learning on range-azimuth-doppler tensors》
lstm網路（長短記憶網路）適合公釐波雷達原始資料的神經網路模型，該網路主要運用於語音頻號，考慮到雷達訊號與語音頻號有一定相似性。但根據目前的閱讀的資料以及與對這方面有一定了解的同學交流，由於雷達訊號和語音頻號仍有較大區別，因此基於lstm網路獲得的最終結果，不如時頻變換、卡爾曼濾波器等方法所得出的精度高。
（1） 神經網路框架：全卷積神經網路和lstm網路
（2） 測試集：**作者通過將雷達安裝在前保險槓上，攝像頭安在車內實際測量的資料，一共有訓練集共10.6萬幀資料，時長2小時56分鐘，測試集共5200幀，時長8分40秒
本篇**主要是針對自主駕駛平台，重點研究了利用雷達張量進行目標檢測。其中雷達張量即距離-都卜勒-方位角，本文提出了一種模型處理三維張量，令雷達三維張量資料特徵與影象特徵相似，從而使用卷積神經網路進行訓練。
本網路前部分是通過特徵金字塔等經典的影象處理方法處理三維張量，將三維張量模型分成了3個二維特徵提取特徵金字塔，然後基於卷積神經網路進行特徵提取，最終再講提取後的特徵輸入lstm網路中，避免了lstm網路直接應用於公釐波雷達資料特徵提取困難的問題。
創新點：
設計一種無監督學習的訓練方式，利用未標記的資料或弱標記的資料進行模型訓練；
缺陷：
訓練資料json格式：
測試資料json格式：
deepsort演算法中獲取的是目標檢測框出的，對目標檢測框中的做特徵提取，然後再在幀間做幀間匹配。
方法概述：
（1） 運動資訊特徵向量： (μ,
ν,γ,
h,x^
,u^,
γ^,h
^),其
中μ,ν
,γ,h
,代表檢
測框中心
的橫縱坐
標，橫縱
比，高度
，u^,
γ^,h
^為影象
中的對應
速度。(\mu,\nu,\gamma,h,\widehat,\widehat,\widehat,\widehat),其中\mu,\nu,\gamma,h,代表檢測框中心的橫縱座標，橫縱比，高度，\widehat,\widehat,\widehat為影象中的對應速度。
(μ,ν,γ
,h,x
,u,γ
,h)
,其中μ
,ν,γ
,h,代
表檢測框
中心的橫
縱座標，
橫縱比，
高度，u
,γ,
h為影象
中的對應
速度。
目標跟蹤研究（一）
近年來，基於深度學習的單目標跟蹤演算法取了顯著的進步，但深度學習在多目標跟蹤領域仍侷限於基於影象識別領域的成果進行遷移，缺乏對跟蹤場景複雜性的考慮，因此多目標跟蹤問題仍沒有得到充分研究。除了單目標跟蹤中存在的光照變化 尺度變化 背景雜波，目標的形狀變化 姿態變化 部分遮擋 快速運動 運動模糊等問題，...
目標跟蹤演算法研究整理
最近專案有用到目標跟蹤的演算法，用的還是傳統opencv，整理一下 1.基礎框架 目標跟蹤基礎認識 opencv實現目標跟蹤的八種演算法 2.csrt追蹤器 官方描述 在具有通道和空間可靠性的判別相關濾波器 dcf csr 中，我們使用空間可靠性圖將濾波器支援調整為從幀中選擇區域的一部分以進行跟蹤。...
目標跟蹤演算法的分類（二）
原文 最近對運動目標檢測與跟蹤這一塊的知識進行了乙個整體性的回顧，又看了幾篇綜述性的 所以這篇部落格算是做乙個簡單的記錄，對幾個重要的概念進行了描述與分析。並沒有去研究現在這一領域那些最近的研究成果。因為在我看來，演算法的主體想法都是一致的，每種方法都有它適應的場景。抓住軸心就夠了！前景檢測這一塊，...