新闻资讯

随着餐厅服务员机器人，智能监控，智能交通，人机交互的不断涌现，对移动目标跟踪的关注度持续增加，移动目标跟踪是计算机视觉领域的重要研究课题，其主要任务是获取视频序列中特定的目标的位置与运动轨迹，其定义是：给定视频序列初始帧中目标的矩形框，在接下来的视频序列中能够找到目标的矩形框。移动目标的跟踪原理是在连续的视频序列中识别出特定移动目标的位置，深度学习能解决上述问题，实现端到端的自主学习，自动提取构建深度学习模型，具有更强的实用性，提高精度和速度。
卢湖川^[1]团队提出全连接的卷积神经网络，根据不同卷积层从不同角度对目标进行了特征提取，高层区分不同类别的物体，低层关注目标的局部细节，高低相结合减少冗余度，提高跟踪精度。
Cui Z^[2]等人利用多方向递归神经网络来建模和挖掘对整体跟踪有用的可靠目标部分，在二维平面上的RNN建模，解决预测误差累积和传播导致的跟踪漂移问题。
Peter Ondruska^[3]等人研究的是仅输出还原后的图片，没有明确预测目标的位置和尺寸等状态信息，应用RNN来做序列关联的建模，最终实现了端到端的跟踪算法。
Jeff Donahue^[4]提出新的卷积循环架构，综合卷积神经网络和循环神经网络应用于视频中的动作识别任务，更进一步证明CNN与LSTM 可以联合处理视频数据。
李菲菲^[5]指出LSTM在机器学习问题中的成功应用，并且进一步分析LSTM的细胞组成，能够在长范围的结构中实施依赖。
管皓^[6-7]提出深度学习在视频目标跟踪过程中的应用，重点介绍堆叠自编码器和卷积神经网络在跟踪过程中的作用与不足，指出卷积神经网络在降采样和池化过程中导致空间信息的损失，需要对简单的卷积网络改进。
深度学习模型因为可以自动从数据中提取特征成为了特征表示的研究热点，卷积神经网络(CNN)和循环神经网络(RNN)已经被证明是目标跟踪任务上优秀的模型，CNN模型能够提取当前帧的局部信息，而RNN能够保存视频序列的历史信息，但在实际训练过程中，RNN存在梯度消失和梯度爆炸的问题，LSTM的记忆单元利用门控制机制，很好解决了RNN的梯度问题。