深度学习跟踪DLT (deep learning tracker)
【摘要】 原文链接 1 粒子滤波(particle filtering)粒子滤波是对预测粒子进行评价,添加不同的权重,越接近于真实状态的粒子,其权重越大;否则,就加的权重小一些。步骤:(1)初始状态:开始认为x(0)在全状态空间内平均分布。然后将所有采样输入状态转移方程,得到预测粒子。(2)预测阶段:粒子滤波首先根据x(t-1)的概率分布生成大量的采样,这些采样就称之为粒子。那么这些采样在状态空间中的...
1 粒子滤波(particle filtering)
粒子滤波是对预测粒子进行评价,添加不同的权重,越接近于真实状态的粒子,其权重越大;否则,就加的权重小一些。
步骤:
(1)初始状态:开始认为x(0)在全状态空间内平均分布。然后将所有采样输入状态转移方程,得到预测粒子。
(2)预测阶段:粒子滤波首先根据x(t-1)的概率分布生成大量的采样,这些采样就称之为粒子。那么这些采样在状态空间中的分布实际是x(t-1)的概率分布了。接下来依据状态转移方程加上控制量可以对每一粒子得到一个预测粒子。
(3)校正阶段:观测值y到达后,利用观测方程即条件概率P(y|xi),对所有的粒子进行评价。这个条件概率代表了假设真实状态x(t)取第i个粒子xi时获得观测y的概率。令这个条件概率为第i个粒子的权重。越有可能获得观测y的粒子,获得的权重越高。
(4)重采样:根据粒子权重对粒子进行筛选,筛选过程中,既要大量保留权重大的粒子,又要有一小部分权重小的粒子。而这些重采样后的粒子,就代表了真实状态的概率分布。
2 DLT框架
粒子滤波是完成粒子的随机扰动和扩散(在一帧图像中选出多个候选区)过程后,判断**(measure)哪些粒子接近实际粒子(对候选区进行确认),找权重最大的粒子。用权重最大的粒子+上一帧已知的跟踪结果=完成当前帧跟踪。即DLT通过粒子滤波+measure分类器完成跟踪。**
3 measure 分类器
measure分类器由自编码器和sigmoid层形成。自编码器(auto encoder)包括编码部分(encoder)和解码部分(decoder)。
sigmoid部分训练主要是为了得到sigmoid层与encoder层连接的200多个参数。
相关资源
论文下载:http://winsty.net/papers/dlt.pdf
代码下载:http://winsty.net/dlt/DLTcode.zip
数据集下载:http://winsty.net/dlt/woman.zip
学习更多编程知识,请关注我的公众号:
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)