CNN-SVM is CNN-based tracking metho

CNN-SVM is CNN-based tracking method with robust features, but lacks temporal information to deal with severe occlusion. YOLO with kalman filter takes into account the temporal evolution of locations,while ignorant of actual environments. Due to fast motions, occlusions, and therefore occasionally poor detections, YOLO with the kalman filter perform inferiorly lacking knowledge of the visual context. In contrast, with LSTM ROLO synthesizes over sequences the robust image features as well as their soft spatial supervision. ROLO is spatially deep, as it is capable of interpreting the visual features and detecting objects on its own, which can be spatially supervised by concatenating locations or heatmaps to the visual features. It is also temporally deep by exploring temporal features as well as their possible locations. Step size denotes the number of previous frames considered each time for a prediction by LSTM. In previous experiments, we used 6 as the step number. In order to shed light upon how sequence step of LSTM affects the overall performance and running time, we repeat the 2nd experiment with various step sizes, and illustrate the results in Fig. 9. In our experiments, we also tried dropouts on visual features, random offset of detection boxes during training intended for more robust tracking, and auxiliary cost to the objective function to emphasize detection over visual features, but these results are inferior to what is shown.

結果 (繁體中文) 1:

CNN-SVM是基於CNN-跟踪方法具有強大的功能，但缺乏時間信息處理嚴重阻塞。YOLO與卡爾曼濾波考慮到位置的時間演變，而無知的實際環境。由於快速運動，遮擋，因此差的情況的檢測，YOLO與卡爾曼濾波器進行向下缺乏視覺方面的知識。與此相反，LSTM ROLO合成了序列的強勁圖像功能，以及它們的柔軟空間的監督。ROLO在空間上是深的，因為它是能夠解釋的視覺特徵，並檢測在其自己的對象，其可以通過連接位置或熱圖的視覺特徵在空間上監督的。這也是深時間通過探索時空特徵以及它們可能的位置。步長表示用於通過LSTM預測每次考慮先前幀的數目。在以前的實驗中，我們使用6作為步數。視覺特徵為了擺脫在LSTM的順序步驟如何影響整體性能和運行時間的光，我們重複第二次試驗各種步長和說明圖9.在我們的實驗結果中，我們也嘗試了輟學，隨機在培訓過程中用於更強大的跟踪和輔助成本的目標函數，以強調在檢測視覺特徵偏移的檢測箱，但這些結果不如所示的情況。

結果 (繁體中文) 2:

CNN-SVM 是基於 CNN 的跟蹤方法，具有強大的功能，但缺乏處理嚴重遮擋的時間資訊。使用卡爾曼濾波器的YOLO考慮了位置的時間演化，而對實際環境一無所知。由於快速運動、遮擋，因此偶爾檢測不佳，使用 kalman 濾波器的 YOLO 表現較差，缺乏對視覺環境的瞭解。相比之下，使用 LSTM ROLO 在序列上合成了強大的圖像特徵及其軟空間監控。ROLO 在空間上是深層的，因為它能夠自行解釋視覺特徵和檢測物件，可以通過將位置或熱圖與視覺要素串聯來進行空間監督。通過探索時間特徵及其可能的位置，它也在時間上深入。步長大小表示每次 LSTM 預測時考慮的以前幀數。在以前的實驗中，我們使用 6 作為步長號。為了闡明 LSTM 序列步長如何影響整體性能和執行時間，我們重複了具有各種步長的第二個實驗，並在圖 9 中說明了結果。在我們的實驗中，我們還嘗試了視覺特徵的輟學、用於更穩健跟蹤的訓練期間檢測框的隨機偏移，以及強調檢測而不是視覺特徵的客觀函數的輔助成本，但這些結果不如顯示什麼。

結果 (繁體中文) 3:

CNN-SVM是一種基於CNN的跟踪方法，具有很强的魯棒性，但缺乏處理嚴重遮擋的時間資訊。YOLO與kalman濾波器考慮了位置的時間演化，而忽略了實際環境。由於動作快，遮擋，囙此偶爾檢測不好，YOLO與kalman濾波器的表現較差，缺乏視覺環境的知識。與之相反，使用LSTM ROLO在序列上合成魯棒的影像特徵以及它們的軟空間監控。ROLO在空間上很深，因為它能够自己解釋視覺特徵和檢測對象，可以通過將位置或熱圖連接到視覺特徵來進行空間監控。通過探索時間特徵及其可能的位置，它也具有時間深度。步長表示每次LSTM預測所考慮的先前幀的數目。在之前的實驗中，我們使用6作為步長。為了闡明LSTM的序列步是如何影響整體效能和運行時間的，我們重複了第二個不同步長的實驗，並在圖9中說明了結果。在我們的實驗中，我們還嘗試了視覺特徵的漏檢、訓練期間檢測盒的隨機偏移以增强跟踪的魯棒性，以及目標函數的輔助成本以強調對視覺特徵的檢測，但這些結果都不如所示結果。