CVPR2017 tracking
Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning
그 논문에서
표 1: Summary of experiments on OTB-50
그럼 몇 가지 기술의 비교되었습니다. non-realtime과 realtime으로 알고리즘이 분류됩니다.
그렇다면 자신의 용도로 어떤 알고리즘을 선택해야합니까?
다음 논문은 임베디드를 위한 추적에 대한 관점에서 설명한다.
Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning
위에서 다음 그래프가 있습니다. Fig. 1. Box plot illustrating averages and distributions of frame rates. Four (4) outliers
above 50 FPS between Median Flow and KCF are missing to make the y axis scale
better.
median flow
KCF가 프레임 속도가 나오는 알고리즘임을 알 수 있습니다.
그림 4. Success plots of the five tested trackers showing the fraction of frames success-
fully tracked as a function of required Jaccard index.
Overlap threshold에 대한 추적 성공률을 나타냅니다.
Online Object Tracking: A Benchmark
벤치마크 github
CVPR2018도 포함되어 있습니다.
htps : // 기주 b. 코 m / 후오 l
사용할 알고리즘을 선택하려면 어떻게 해야 합니까?
추적 알고리즘에 의한 추적의 계산 시간의 차이를 집계한다.
추적중인 개체 수에 따라 추적 계산 시간을 집계합니다.
그러면 선택해야 할 알고리즘이 드러납니다.
Reference
이 문제에 관하여(CVPR2017 tracking), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/nonbiri15/items/b54e6674a76bbdd5189a텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)