Learning to Track at 100 FPS with Deep Regression Networks

 Learning to Track at 100 FPS with Deep Regression Networks  

ECCV 2016

Paper:  http://davheld.github.io/GOTURN/GOTURN.pdf 

Supplement: http://davheld.github.io/GOTURN/supplement.pdf 

Project page：http://davheld.github.io/GOTURN/GOTURN.html 

GitHub：https://github.com/davheld/GOTURN 

PyTorch Code: https://github.com/amoudgl/pygoturn 

Caffe+Python Code: https://github.com/nrupatunga/PY-GOTURN 

Matconvnet Code: https://github.com/foolwood/GOTURN_matconvnet 

 

 

 

本文第一次利用 Deep Learning 技術將跟蹤的速度維持在 100fps，固然是使用 GPU 的前提下。本文的流程框架以下所示：

 

 

　　將跟蹤看作是迴歸問題，直接根據上一幀的位置，迴歸出當前幀的location。類比於 基於Siamese 網絡的匹配，僅用第一幀做爲 target object，本文方法不須要提候選的 proposal，直接進行 bounding  box 的迴歸。很好的避開了 CNN 在跟蹤問題上速度慢的難題。

　　

　　是的，沒了，就這麼多。這就是文章的主要思想了。。。

 

　　另外：給些參考的blog，由於他們講的更加詳細。

　　1. http://blog.csdn.net/cuclxt/article/details/51570255 

　　2. http://blog.csdn.net/autocyz/article/details/52648776

　　3. https://zhuanlan.zhihu.com/p/22715531 （強烈推薦）