标签：实际应用 官网 git 效率 匹配 大小 learning 基本 一个
因为待遇低，因为工作不开心，已经严重影响了自己的工作积极性和工作效率，这几天发觉这样对自己实在是一种损失，决定提高工作效率，减少工作时间。
说说最近做的tracking, multi-object tracking。
object tracking首先要有object才能tracking是吧，而学术上研究的大多数single object tracking，其实就是单目标跟踪，就是开始你画个区域，告诉算法你要跟踪的是那个东西，然后接下来的视频里，把这个东西框出来。而实际应用的多是multi-object tracking，就是找出来所有目标，然后自己去跟踪。以下说的都是multi-object tracking.
目前deep learning如火如荼的时代，tracking也无法逃避Deep learning的魔掌的。目前的思路，效果比较好的就是检测时用深度学习检测，而匹配时，不再简单的用位置匹配，而是用该object的深度特征进行匹配，这样用的原因当然有多种，一种是比位置更加鲁棒，隔了多帧，位置已经跑远了，可能也没关系的，再者这种特征匹配能更好地处理遮挡的问题，至少比位置匹配更能处理遮挡问题。当然跟踪还是用kalman滤波做一下平滑处理，哈哈，其实我以前做多目标跟踪时不用kalman，直接匹配上了就是了，不做预测不做平滑啥的。
其中检测，目前不少都用的是静态图像的检测机制，但是我觉得下一波应该就是基于视频的目标检测吧，当然工作已经有不少了，可以去imagenet竞赛官网去看看做的比较好的那几家看看，基本代表了先进性吧。
而深度特征，目前更多的是用行人重识别的思路进行模型训练的，我本来是想用以前做人脸比对的模型simese loss训练网络的，因为之前最开始用这个网络训练人脸比对的工作时，我找的代码，训练效果还挺好的，后来借用到汽车的特征，效果也提升很多。但是看了一下，大家都用triplet loss来做，我也想用这个来试试。说实话，triplet loss不好训练。找了好几份代码，都不好训练，后来github上找了一个别人有实现结果的代码，我就改变了一下输入还是不行，下降不了，后来改了一下输入大小，可以下降了，但是也不稳定，不能保证每次都下降。
听同事说，他之前训练车的triplet loss，就训练不下来。其实说实话，计算机还是没有那么高级，或者说算法还是不适合去处理这种具有模糊逻辑的事情，你让他看同一类，还看不同类，还看距离多大，同时做，大概也和人一样，有时候会糊涂吧。
标签：实际应用 官网 git 效率 匹配 大小 learning 基本 一个
原文地址：http://www.cnblogs.com/jianyingzhou/p/7387973.html
