《表3 深度学习预测尺度和方向方法比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《尺度方向自适应视觉目标跟踪方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

深度学习预测尺度和方向的几种方法在实验中都取得了较好效果，对部分遮挡、光照变化有较好适应，适合于复杂环境的目标跟踪任务。深度学习网络目标表示能力强以及预测任何输出，粒子滤波、相关滤波和光流等算法具有良好的目标尺度和方向变化处理能力，并有速度上优势，所以两者有机结合会提高跟踪性能。传统算法如何融入到深度学习框架中以及深度学习网络如何融入到传统算法框架中是关键；选择性搜索方法用多尺度、多方向测试，增加了计算量且不够精确；边框回归方法训练时选择的样本与Groundtruth距离比较近，在one-shot detection时，训练出的回归模型适合于前后帧目标变化较小情况；Mask预测方法使用Mask分支预测精度并不高，一般使用Refine Module来提升分割精度，导致网络结构较为复杂。表3给出了深度学习预测尺度和方向各种方法的优缺点。基于孪生网络的在跟踪精度和跟踪速度上得到了较好平衡。但孪生网络设计方案不需要在线模型更新，当目标发生较大的外观变化时，会造成目标候选框与目标模板出现较大差异，易导致跟踪失败，若要提升跟踪稳定性，需要有高效在线学习算法。另外，孪生网络对小目标跟踪效果不好，也是需要改进的地方。用卷积神经网实现目标分割，一般使用较深层次的卷积神经网，构建快速的小网络更具有实际意义。