刘天键：深度学习在视觉跟踪的应用

日前，刘天键教授在闽江学院教授大讲堂开展了有关深度学习的讲座。本次讲座从三个方面展开，分别是主流的传统目标跟踪方法，基于深度学习的目标跟算法实现及深度学习在目标跟踪的应用展望。

刘教授指出，深度学习这个概念源于人工神经网络的研究。深度学习之所以重要，是因为它是机器学习中一种基于对数据进行表征学习的方法。刘教授在以下四方面解释了深度学习跟踪方法的新思路。

一是利用辅助图片数据预训练深度模型，在线跟踪时微调。利用DLT和SO-DLT在目标跟踪的训练数据非常有限的情况下，使用辅助的非跟踪训练数据进行预训练，获取对物体特征的通用表示。使模型对当前跟踪目标有更强的分类性能，这种迁移学习的思路极大的提高了跟踪算法的性能。

二是利用现有大规模分类数据集预训练的CNN分类网络提取特征。FCNT使目标本身的形变更加鲁棒的效果，这是ensemble思路的又一成功实现。

三是利用跟踪序列预训练，在线跟踪时微调。不同序列中目标本身的表观和运动模式、环境中光照、遮挡等情形相差甚大。这种情况下，想要用同一个CNN完成所有训练序列中前景和背景区分的任务，困难重重。

四是运用递归神经网络进行目标跟踪的新思路。相比于其他基于传统特征的相关滤波器算法有较大的提升，RNN对关联关系的挖掘和对滤波器的约束确实有效。

百家争鸣，各有千秋。三种解决训练数据的思路各有特色，使用序列预训练的方法更贴合跟踪任务的本质，因此值得关注 。基于RNN的目标跟踪算法还有很大提升空间。此外，目前已有的深度学习目标跟踪方法还很难满足实时性的要求，如何设计网络和跟踪流程达到速度和效果的提升，还有很大的研究空间。

在课程的最后，刘教授对于同学们对机器学习和深度学习的困惑以及深度学习未来发展的方向做了解答。刘教授说道，深度学习只是机器学习的一个领域，广义来讲都属于机器智能（也就是人工智能）。深度学习就类似智能芯片，对海量的数据了进行分析，以得到更精确的自动辨识。目前我们依然把它当作工具来使用，比方说华为手机的AL摄影，可以根据场景来进行功能转换，从而达到我们想要的效果。所以，我们把握住这个趋势，学会利用这个工具，这才是一个新时代的人应该有的思维方式。未来可期，大有作为！

指导老师 | 周少峰

图片来源 | 全媒体中心 陈怡

本期编辑 | 全媒体中心 蒋心怡

文案来源 | 全媒体中心陈贯华 王晓涵