|
今日学习内容：
编程方面：今天没有找到新的图像处理的课程，我打算先看以前的，同时今天把电脑重新调试了一下，装了新的固态，把系统和软件装到了两个固态中，希望以后不要出现死机的情况就好，前几天应该是我的固态用的次数太多了，发生了暂时性的短路，幸亏后边还可以用，电脑里边的文件才不会丢失，所以这次搞了新的装备，现在因为疫情电子产品都好贵，所以先用这个电脑，后边再换。今天我发现自己通过前边的学习，程序里边不会的可以自己去查询其中的问题了，有进步，里边的结构也可以理解一部分，至于有些嵌套结构还是不太了解，不过多见几次，多问一下同学应该就可以了。我争取在这个月底把全部的小程序都串起来，写一个完整的程序。
学术方面：还是在研究昨天的论文，下边是我做的研究总结：
提高目标模型的抗遮挡性能主要有以下方案：
通过选择提取目标有效外观运动信息，建立一种可以抵抗外部干扰的学习模型。
- 使目标模型学习到能区分目标对象与干扰物的本质特征，缓解遮挡物对模型的干扰问题。（这种方法对于较小的物体，或者特征不明显的物体有一定的局限性，还有就是需要大量的干扰样本供模型学习。优点在于当目标特征十分明显的时候特别比较有效，而且算法不会很复杂。）
- 选择对遮挡场景不敏感的特征，保持模型对遮挡目标的有效判别；（这个应该和第一个相反，第一个是利用了目标自身的特征，而这个选择了不敏感的区域，所以通过选择不敏感的区域后，就可以得到目标的位置，这个反其道而行之，在特定得到场合可以考虑人为地添加一些有利于检测到目标的场景。）
利用目标运动状态信息进行状态估计，降低模型对目标外观依赖性，从 而避免漏检外观已变的目标；（下边的方法应该是基于物体本身运动的状态去寻找目标，或者通过目标运动的状态来判断遮挡区域 是否有需要检测的物体。）
- 引入跟踪序列时空信息构建目标模型，在部分遮挡下仍存在稳定可靠的目标局部空间信息，其区域间的关联有利于灵活重建；
- 目标的时序上下文记忆信息有益于构建长期稳健的目标模型，避免过拟合集中时段的遮挡受损样本；
- 目标周围区域时空上下文信息有遮挡不变性，可提升部分遮挡时目标跟踪的稳健性。
（上边的这三条我实在是搞不明白，我感觉他这些东西写的有一种偷梁换柱的感觉，他应该是把一些名词换了，偷换概念，或者是把最原始的东西拿了出来，所以看起来比较难理解，不过涉及到内容的就是神经网络和深度学习方面的知识，不同的方法只是改变了神经网络里边不同层的结构，核心的东西没有变，但是里边的生僻词太多了，所以就看不懂了，这个需要老师的帮助。）
|