澎思科技资深算法研究员罗伯特:有限算力资源下的深度学习与人脸识别( 十 )

澎思科技资深算法研究员罗伯特:有限算力资源下的深度学习与人脸识别

虽然基于相关滤波的跟踪算法在CPU上非常快,但是利用不起来GPU并行计算资源,因为快速傅里叶变换由很多零散的计算步骤组成,其GPU并行计算加速效果很差。接下来,给大家分享基于深度学习的跟踪算法,可以充分利用GPU并行计算资源。下图显示SIAMESE网络的跟踪器的流程。在帧1以目标位置为中心稍微扩充,构造参考图,用深度学习映射phi构造尺寸非常小的特征图(6x6)。在帧2扩充范围更大,构造搜索图,用同样的映射phi计算出尺寸比较大的特征图(22x22)。SIAMESE网络的特点是其输出层,所谓的相关层。6x6的特征图当作卷积核,扫描22x22的特征图,构造17x17大小的输出图。跟踪的效果就是输出图最大值的对应的位置。因17x17尺寸比较粗糙,经常对输出图进行上采样操作,获取更大分辨率的跟踪效果。SIAMESE网络属于离线学习的跟踪器,因为映射phi与原始图像无关,需要大量的人脸训练样本在GPU上学习映射phi的参数。然而,上述介绍的相关滤波跟踪器是在线学习的跟踪器,模板H依赖于原始图像,关键在于模板H的训练过程极快。

推荐阅读