【Tracking 系列：二】GOTURN｜Learning to Track at 100 FPS with Deep Regression Networks
基于回归的SOT算法 可以跟踪未见过的类别样例 FPS高 Motivation 只关注单一目标，物体运动是连续的，使用相邻帧回归位置 Network 两个输入分别过5层conv ，然后将feature concat 再过3层4096维的FC（包含 ReLU 和 Dropout）,最后连接到一个输出为4的FC分别对应中心点x、y、w、h 其主要步骤是： 拿到上一帧图像以及我们要跟踪的目标在上一帧中的
相关文章
- 1. Learning to Track at 100 FPS with Deep Regression Networks
- 2. Learning to Track at 100 FPS with Deep Regression Networks 论文笔记
- 3. GOTURN 算法
- 4. (转) Learning Deep Learning with Keras
- 5. Introduction to deep learning(Regression, layer)
- 6. Re3 : Real-Time Recurrent Regression Networks for Visual Tracking of Generic Objects
- 7. Deep Learning with Torch
- 8. Paper：Sequence to Sequence Learning with Neural Networks
- 9. Deep learning：二(linear regression练习)
- 10. object tracking 论文阅读笔记（持续）
- 更多相关文章...
- • Scala List(列表) - Scala教程
- • XSL-FO 列表 - XSL-FO 教程
- • Docker容器实战(七) - 容器眼光下的文件系统
- • RxJava操作符（二）Transforming Observables
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Learning to Track at 100 FPS with Deep Regression Networks
- 2. Learning to Track at 100 FPS with Deep Regression Networks 论文笔记
- 3. GOTURN 算法
- 4. (转) Learning Deep Learning with Keras
- 5. Introduction to deep learning(Regression, layer)
- 6. Re3 : Real-Time Recurrent Regression Networks for Visual Tracking of Generic Objects
- 7. Deep Learning with Torch
- 8. Paper：Sequence to Sequence Learning with Neural Networks
- 9. Deep learning：二(linear regression练习)
- 10. object tracking 论文阅读笔记（持续）