Índice
Métodos de aprendizagem profunda:
Método tradicional:
Extração de recursos + pesquisa de filtro.
A extração de recursos inclui principalmente: recursos locais, globais, modelo, histograma, padrão binário, PCA, PCA esparso, SR (representação esparsa), modelo discriminativo, modelo generativo.
Entre eles, os mecanismos de busca incluem principalmente: CSK, KCF/DCF, CN, filtro de partículas, método de Monte Carlo em cadeia de Markov, busca ótima local e busca por amostragem densa.
Existem vários tipos de algoritmos clássicos e muitos algoritmos são aprimorados com base nesses algoritmos clássicos. No entanto, os algoritmos clássicos geralmente são usados apenas como métodos auxiliares na indústria. Afinal, os algoritmos de aprendizagem profunda são a escolha popular atual, mas ainda é necessário compreender seus princípios básicos.
Métodos de aprendizagem profunda:
1. Abordagem ponta a ponta
Principalmente através do método de aprendizagem profunda (RNN e LSTM), mas a velocidade deste método é relativamente lenta e o efeito não é muito melhorado em comparação com o método tradicional, e quase não há implementação nesta fase.
2. Baseado em redes siamesas (gerativas, principalmente para um único alvo)
A correspondência de similaridade é realizada principalmente através da rede siamesa. A operação principal é: primeiro, selecionar manualmente o alvo na imagem inicial, usar a rede siamesa para extração de recursos e, em seguida, usar esse recurso como padrão para percorrer cada posição da imagem subsequente. quadro de imagem e execução Os recursos são extraídos e comparados para determinar a localização.
3. Método de rastreamento por detecção
Principalmente para algoritmos de detecção de alvo e algoritmos de filtragem (rastreamento multi-alvo), série yolo, série SSD, série sem âncora, série de dois estágios, etc., a classe de filtragem é semelhante aos métodos tradicionais mencionados acima.