建网站卖多少钱,从江网站建设,网站退出率,网站建设方案 流程DaSiamRPN网络的全称为Distractor-aware SiamRPN#xff0c;是基于SiamRPN网络结构#xff0c;提出更好的使用数据#xff0c;针对跟踪过程的干扰物#xff0c;利用更好的训练方式是跟踪更加的鲁棒。
DaSiamRPN认识到了现有的目标追踪数据集中存在的不平衡问题#xff0c…DaSiamRPN网络的全称为Distractor-aware SiamRPN是基于SiamRPN网络结构提出更好的使用数据针对跟踪过程的干扰物利用更好的训练方式是跟踪更加的鲁棒。
DaSiamRPN认识到了现有的目标追踪数据集中存在的不平衡问题即之前的目标追踪数据集会导致目标追踪算法的判别能力较差造成这种现象的原因是在目标周围的背景信息中非语义背景即真正的“背景”信息占据了主要部分语义背景背景中的人、狗等实体占据了极少一部分。这种不平衡的分布使得模型趋向于去学习到一个区分前景目标语义背景和背景非语义背景的模型而不是学习一个实例级别的表示方法。各种不同目标追踪算法的热图如下: 基于上面这个理论为目标追踪算法添加了一些数据对用于增强算法的判别能力其中Detection pairs:提出使用ImageNet Detection和COCO数据集通过一些数据增强技术构造出样本对这类样本对用于提高模型的泛化能力。其次使用来自相同类别的负样本对。如下图中(b)。最后使用来自不同类别的负样本对。如下图中(c)。添加这两类负样本可以使模型在超出视线、全遮挡的情况下避免模型漂移到其他的目标上去。这两类样本对用于提高模型的判别能力。 当模型跟踪失败的时候模型采取一种“局部-全局”增大search region的策略去重新跟踪目标。如下图所示红色是ground truth绿色的是跟踪结果蓝色的是search region: detection scores 指的是算法判定追踪质量的分数
overlaps指的是ground truth与tracking box之间的IOU。至于如何判断模型何时跟踪失败
由于论文中使用多种策略增强了模型的判别能力所以可以使用模型的判别分数来估算是否跟丢.
