Qualitative result in Fig.5 shows t

Qualitative result in Fig.5 shows that ROLO successfully tracks the object under occlusion challenges in unseen frames. Note that during frames 776-783, ROLO continues tracking the vehicle even though the detection module fails. We also train an alternative ROLO model with heatmap instead of location coordinates, in order to analyze LSTM under occlusion conditions. The model is trained offline with 1/3 frames from OTB-30 tested on unseen videos. It is shown in Fig. 6 that ROLO tracks the object in near-complete occlusions. Even though two similar targets simultaneously occur in this video, ROLO tracks the correct target as the detection module inherently feeds the LSTM unit with spatial constraint. Note that between frame 47-60, YOLO fails in detection but ROLO does not lose the track. The heatmap is involved with minor noise when no detection is presented as the similar target is still in sight. Nevertheless, ROLO has more confidence on the real target even whenit is fully occluded, as ROLO exploits its history of locations as well as its visual features. ROLO is proven to be effective due to several reasons: (1) the representation power of the high-level visual features from the convNets, (2) the feature interpretation power of LSTM, therefore the ability to detect visual objects, which is spatially supervised by a location or heatmap vector, (3) the capabilityof regressing effectively with spatio-temporal information.

結果 (繁體中文) 1:

定性結果在圖5中顯示，ROLO成功跟踪下看不見幀閉塞挑戰的對象。需要注意的是幀776-783期間，ROLO繼續跟踪，即使檢測模塊發生故障車輛。我們還培養與熱圖，而不是位置坐標替代ROLO模型，以分析閉塞條件下LSTM。該模型與來自OTB-30 1/3幀上看不見視頻測試離線訓練。它在圖6中示出的是ROLO跟踪接近完全閉塞的對象。即使兩個類似的目標在這個視頻同時發生，ROLO跟踪正確的目標作為檢測模塊與內在約束空間餵LSTM單元。需要注意的是47-60幀之間，YOLO檢測失敗，但是ROLO不輸的軌道。當沒有提出檢測作為類似目標仍在視線內的熱圖是涉及輕微的噪音。然而，ROLO對即使在真正的目標更有信心
它完全閉塞，作為ROLO利用其位置歷史以及它的視覺特徵。ROLO被證明是有效的，由於以下幾個原因：（1）從convNets高級別視覺特徵的表示功率，（2）LSTM的特徵解釋功率，因此，檢測可視對象的能力，其在空間上監督由位置或熱圖向量，（3）的能力
與時空信息有效倒退的。

結果 (繁體中文) 2:

圖 5 中的定性結果顯示，ROLO 在看不見的幀中成功地跟蹤了在遮擋挑戰下的物件。請注意，在幀 776-783 期間，ROLO 繼續跟蹤車輛，即使檢測模組出現故障。我們還訓練了具有熱圖而不是位置座標的替代 ROLO 模型，以便在遮擋條件下分析 LSTM。該模型是離線訓練的1/3幀從OTB-30測試在看不見的視頻。如圖 6 所示，ROLO 在近乎完全的遮擋中跟蹤物件。即使此視頻中同時出現兩個類似的目標，ROLO 也會跟蹤正確的目標，因為檢測模組本質上為 LSTM 單元提供空間約束。請注意，在幀 47-60 之間，YOLO 在檢測中失敗，但 ROLO 不會丟失軌道。當未顯示檢測時，熱圖會帶有輕微雜訊，因為類似的目標仍在視線中。然而，ROLO對真正的目標更有信心，即使當
它被完全遮擋，因為ROLO利用其位置的歷史以及視覺特徵。ROLO 被證明是有效的，原因有以下幾個原因：（1） 來自 convNet 的高級視覺要素的表示能力，（2） LSTM 的功能解釋能力，因此檢測視覺物件的能力，該物件由位置或熱圖向量在空間上監督;（3） 功能
利用時空資訊有效回歸。

結果 (繁體中文) 3:

圖5中的定性結果表明，ROLO在我們的幀中成功地跟踪了遮擋挑戰下的對象。請注意，在第776-783幀期間，即使檢測模塊出現故障，ROLO仍會繼續跟踪車輛。囙此，我們訓練了一個替代位置座標的ROLO模型來分析遮擋條件下的LSTM。該模型是離線訓練與1/3幀從OTB-30測試在看不見的視頻。如圖6所示，ROLO在接近完全閉塞的情况下跟踪對象。即使在這段視頻中同時出現兩個相似的目標，ROLO仍然會跟踪正確的目標，因為檢測模塊固有地向LSTM單元提供空間約束。請注意，在第47-60幀之間，YOLO檢測失敗，但ROLO不會遺失軌跡。當相似目標仍在視線範圍內時，當沒有檢測到時，熱圖與小雜訊有關。然而，即使在
它是完全封閉的，因為羅洛利用其歷史的位置和它的視覺特徵。ROLO被證明是有效的，原因有幾個：（1）convNets的高級視覺特徵的表示能力，（2）LSTM的特徵解釋能力，囙此能够檢測視覺對象，這是由位置或熱圖向量在空間上監督的，（3）能力
或者利用時空資訊進行有效的回歸。