《表2 目标跟踪架构优缺点分析》

  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

《基于深度学习的视频跟踪研究进展综述》

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

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。