? 理解出錯之處望不吝指正。

? 本文模型叫做EAST。作者的動機是在不降低準確率的同時提升深層模型的速度。論文的主要思想：在SiameseFC中，所有幀都用conv5的特征去檢測，EAST的出發點是(外觀相似或不運動的)簡單幀用簡單特征如像素邊緣就可以定位，(經歷較大外觀變化的)復雜幀才需要不變性更強的深度特征進行定位。

???

? 如何判讀使用當前層特征得到的檢測結果是否足夠好（是否要使用下一層特征），作者提出了使用強化學習的策略。

? 上圖即為整個模型的架構，把每種特征都輸入Q-Net中，使用到了Siamese Network的模型結構，但是輸出部分是agent動作的選擇，共包括8種動作（7種尺度變化，1種終止動作）。如果在當前層選擇了stop action，則代表“EAST”（early stop）。

? agent的state、action、reward定義如下：

??? state：，前者代表前面每一層（包括當前層）的score map的均值，后者代表前四層采取的action；

??? action：共8種，如上圖；

??? reward：若IoU變大，reward=1，否則reward=-1，終止操作時，若IoU>=0.6，reward=3，否則reward=-3。

總結

以上是生活随笔為你收集整理的ICCV 2017 EAST:《Learning Policies for Adaptive Tracking with Deep Feature Cascades》论文笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。