基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤.pdf

1、在線單目標(biāo)跟蹤是人工智能和計(jì)算視覺(jué)領(lǐng)域中很重要的子課題，廣泛應(yīng)用于視頻目標(biāo)檢測(cè)和監(jiān)控、醫(yī)學(xué)圖像理解分析、智能人機(jī)交互等領(lǐng)域。通常情況下，在視頻序列的第一幀給定準(zhǔn)確的目標(biāo)框，隨后幀中自適應(yīng)地跟蹤該目標(biāo)。在跟蹤過(guò)程中，視頻序列存在著目標(biāo)遮擋、背景雜亂、目標(biāo)尺度劇烈變化等挑戰(zhàn)，關(guān)于如何克服這些挑戰(zhàn)學(xué)者們提出過(guò)很多優(yōu)秀的算法。我們?cè)诒疚耐ㄟ^(guò)深度卷積神經(jīng)網(wǎng)絡(luò)提取跟蹤目標(biāo)的語(yǔ)義特征，進(jìn)而提出了魯棒的跟蹤算法。
　　深度神經(jīng)網(wǎng)絡(luò)在圖像分類、物體

2、檢測(cè)和圖像分割上取得了成功，我們發(fā)現(xiàn)簡(jiǎn)單地堆疊層結(jié)構(gòu)并不能帶來(lái)更好的結(jié)果，這樣會(huì)導(dǎo)致梯度彌散。殘差網(wǎng)絡(luò)通過(guò)恒等映射大幅提升了網(wǎng)絡(luò)層數(shù)，并且解決了梯度后向傳播困難這一難題。文中分析了網(wǎng)絡(luò)模型深度、優(yōu)化方法和模型結(jié)構(gòu)對(duì)網(wǎng)絡(luò)泛化能力的影響，提出了隨機(jī)網(wǎng)絡(luò)深度機(jī)制來(lái)跳過(guò)殘差層連接，這樣升級(jí)網(wǎng)絡(luò)結(jié)構(gòu)不僅節(jié)省了訓(xùn)練時(shí)間并且獲得了更好的效果。同時(shí)我們使用了SparkNet平臺(tái)實(shí)現(xiàn)特征的并行計(jì)算，通過(guò)不同計(jì)算節(jié)點(diǎn)實(shí)現(xiàn)大規(guī)模的圖像分類和圖像檢索的任務(wù)。<

3、br>　　我們分析不同深度的網(wǎng)絡(luò)層、優(yōu)化方式對(duì)模型的影響，提出了對(duì)偶網(wǎng)絡(luò)自適應(yīng)跟蹤物體。在深度神經(jīng)網(wǎng)絡(luò)中，我們利用網(wǎng)絡(luò)不同層描繪不同信息的先驗(yàn)來(lái)學(xué)習(xí)目標(biāo)的外觀信息，網(wǎng)絡(luò)訓(xùn)練和更新上采用新穎的數(shù)據(jù)增廣和自監(jiān)督的學(xué)習(xí)方式，實(shí)現(xiàn)了雙層對(duì)偶深度模型來(lái)跟蹤目標(biāo)。網(wǎng)絡(luò)高層特征描繪物體的語(yǔ)義信息，低層描繪空間結(jié)構(gòu)信息。為了更好地突出物體輪廓和形狀，我們將分層的特征圖與拉普拉斯高斯邊緣檢測(cè)子結(jié)合，并利用獨(dú)立子成分分析來(lái)描繪物體形狀。對(duì)偶網(wǎng)絡(luò)在訓(xùn)練時(shí)采用

4、中心偏移的隨機(jī)塊用于增廣訓(xùn)練數(shù)據(jù)，更新時(shí)基于跟蹤目標(biāo)在連續(xù)幀之間有更多的相似性。在線跟蹤將深度特征融入運(yùn)動(dòng)模型和外觀模型上，隨機(jī)和周期的更新機(jī)制用于解決目標(biāo)偏移和遮擋問(wèn)題。
　　跟蹤算法的實(shí)驗(yàn)是在大規(guī)模公開(kāi)的數(shù)據(jù)集上進(jìn)行評(píng)測(cè)，并參加了針對(duì)該任務(wù)的競(jìng)賽。在網(wǎng)絡(luò)模型上比較不同的層連接和優(yōu)化方法對(duì)結(jié)果的影響，在目標(biāo)跟蹤上采用了大規(guī)模具有挑戰(zhàn)性的視頻序列對(duì)本文算法進(jìn)行定性和定量的評(píng)估，與大量當(dāng)前的優(yōu)秀算法進(jìn)行對(duì)比，我們的方法取得了滿意的效