Learning Policies for Adaptive Tracking with Deep Feature Cascades

本文主要是介绍Learning Policies for Adaptive Tracking with Deep Feature Cascades，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Learning Policies for Adaptive Tracking with Deep Feature Cascades

ICCV17 shotlight
作者：Chen Huang， CMU postdoctor，导师 Deva Ramanan

summary

文章主要贡献在于速度与精度的权衡（AUC 0.638，fps 23），通过强化学习策略，来控制网络的深度，使得精度和速度最佳。目前的跟踪算法大多数可以分为两类：基于lower feature的CF类方法，这类方法速度极快，到精度不好；基于deep learning的网络方法，这类方法精度高，但速度慢，无法做到实时。本文构建了一种深度特征 cascades（瀑布?），然后在每一层进行目标检测，但检测结果符合要求时（用强化Q-learning做决策），则停止检测，输出结果；否则进入下一层继续搜索检测目标。

method

object location

对于 cheap features，文章用的是dcf&#x

这篇关于Learning Policies for Adaptive Tracking with Deep Feature Cascades的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---