理解出错之处望不吝指正。

  本文模型叫MCCT,使用多个独立的基于DCF的expert进行跟踪,在每一帧中选择当前最优的expert,将其结果作为当前帧的跟踪结果。

CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

  文中使用了7个expert,每个expert使用不同的特征。

    CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

  针对某一帧,使用pair-evaluation和self-evaluation的加权和对每个expert进行打分,从而选择出最优的expert。

    CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

        CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

        CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

        CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

  expert更新过程中的学习率由PSR(峰-旁瓣比)和experts的平均鲁棒性分数共同决定。

    CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

    CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

    CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

    CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

    CVPR 2018 MCCT:《Multi-Cue Correlation Filters for Roubust Visual Tracking》论文笔记

相关文章:

  • 2021-09-25
  • 2021-04-06
  • 2021-05-26
  • 2021-07-26
  • 2021-12-07
  • 2021-06-11
  • 2022-12-23
  • 2021-10-12
猜你喜欢
  • 2021-12-26
  • 2022-01-22
  • 2021-05-18
  • 2021-05-17
  • 2021-05-16
  • 2022-12-23
  • 2021-09-15
相关资源
相似解决方案