本文主要是介绍TCNN:Modeling and Propagating CNNs in a Tree Structure for Visual Tracking，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！
TCNN:Modeling and Propagating CNNs in a Tree Structure for Visual Tracking
arXiv 16
Hyeonseob Nam∗ Mooyeol Baek∗ Bohyung Han
韩国POSTECH大学 Bohyung Han团队的论文，MDNet，BranchOut的作者。
Movtivation
本文的motivation是用一个tree结构的multi-model CNN来解决tracking中的o遮挡、突然运动、跟丢等难题，以提高跟踪的精度。CNNs目标跟踪领域最大问题是target appearance的改变，为了应对这个问题，目前常用的方法是进行online update。但online update是基于目标缓慢变化这个前提假设进行的，当目标被遮挡或者跟丢时，跟踪器就学习了背景特征从而失效。因此本文用多个tracker连成一个树形结构，树的叶节点保存的目标最新的特征，根节点保存的是目标的历史特征，然后再对这些tracker进行加权平均求每个candidate的score值，最大的score对应的candidate即为目标。
Algorithm Overview
如上图所示，树每个节点红框的粗细表示这个节点的可靠性（reliablity），两个节点间的连续的粗细表示连个节点间的亲属关系的疏密（affinity），黑色箭头的粗细表示这个节点对目标评估的权重值（weight）。
Proposed Algorithm
CNN Architecture
文章用的依然是vgg-m，三个卷积层加上个权连接层。网络结构图下图所示。网络的输出为归一化的二值向量 [ϕ(x),1−ϕ(x)]
这篇关于TCNN:Modeling and Propagating CNNs in a Tree Structure for Visual Tracking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！
