siamese跟踪论文思考
2024-09-01 15:26:10
转载自：https://zhuanlan.zhihu.com/p/34222060
通过作者在专栏里面放的几张响应图我们可以看到：SiamFC并不能区分不同的物体，图片上所有具有语义信息的物体都会得到较大的响应；
但是它在数据集上的表现确实是不错的，那么为什么呢，是因为加了窗函数，将周边的物体抑制掉了，猜测在跟踪的评价数据集中，大部分也是目标物体周围的其他物体较少，因此才能有不错的表现；
接下来作者进行了分析，既然网络所学习到的特征不够好，那么只需要学习到好的特诊好就行了，一个很容易想到的方法就是增大数据集，但是直接简单粗暴的增大数据集会有用吗？这里作者进行了分析，直接用训练集中的视频查看网络提取特征的区分能力，发现，在训练集中网络也不能区分开目标前景以及其他的干扰前景，然后得出结论直接加数据是不行的，这里我感觉，可就是因为训练集中，目标物体附近的干扰物太少，网络在学习的过程中，就偷懒了，只学习目标物体与背景之间的区别就可以了，这样就可以使loss降低了，因此我觉得，简单的加数据没有用，但是添加一些有干扰物的训练集是不是会有用呢？其实就是有意添加难例的负样本，这个在作者后续的DaSiameseRPN中有提到；
那么如何做负样本呢？作者在后续的论文中，提到了使用检测数据集中，同类但不同ID的物体作为负样本，这个是怎样加入到训练中的呢？训练集不应该只存在同一个视频中的间隔或者连续帧吗？正负样本的比例又是怎样的呢？
最新文章
- LINQ to SQL语句(20)之存储过程
- Nginx 403 forbidden的解决办法
- 再论 ASP.NET 中获取客户端IP地址
- MyEclipse管理部署Maven项目 供调试
- android四大功能组件概要总结
- MySql添加用户,新建数据库,用户授权,删除用户,修改密码
- 【测试】解决loadrunner11无法运行负载测试
- 安装配置最强Spark IDE--IDEA
- redis哨兵(Sentinel)、虚拟槽分区(cluster)和docker入门
- c++中函数指针作为int传递
- ARMV7-M数据手册---Part A ：Application Level Architecture---A1 Introduction
- jmeter插件使用说明
- python中使用queue实现约瑟夫环（约瑟夫问题）求解
- BZOJ3832[Poi2014]Rally——权值线段树+拓扑排序
- WPF 各种绑定写法以及用法
- 工单进入IN_MO后在FP_PREPROCESS被过滤
- 树莓派3b安装Nginx和php7和百度语音合成模块
- node连续查询两次数据库返回方式（文档未定）
- Mono For Android 之 配置环境
- Qt 维护工具MaintenanceTool.exe 使用