《表2 目标跟踪架构优缺点分析》
通过对目前的研究成果的比较分析,基于卷积网络(CNN)的跟踪模型比基于堆叠自编码器(Stacked AutoEncoder,SAE)和递归网络(RNN)的方法具有更大的优势及更广阔的发展空间。首先,卷积网络的内部结构决定了其具备处理图像数据的先天优势,这是如今其他深度学习架构所不及的。同时,卷积网络的模型具有很强的可拓展性,能达到非常“深”的层数。相比深度卷积神经网络而言,堆叠自编码器的隐藏层就少很多。卷积网络的这种优势使得它具有更强大的特征学习能力,能够为目标跟踪任务提供更多的特征分析视窗。对递归网络而言,虽然层数可以媲美卷积网络,但它们的表现并不令人满意,有待改进。总体来说,对于目标跟踪,递归网络模型的使用远未得到有效利用,这将是未来的研究方向。表2给出了基于CNN、RNN、SAE三类目标跟踪架构的优缺点分析。
图表编号 | XD0053249200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.15 |
作者 | 戴凤智、魏宝昌、欧阳育星、金霞 |
绘制单位 | 天津科技大学电子信息与自动化学院、天津科技大学电子信息与自动化学院、天津科技大学电子信息与自动化学院、天津科技大学电子信息与自动化学院 |
更多格式 | 高清、无水印(增值服务) |